《表5 Prostate数据集分类准确度Tab.5 Accuracy of Prostate data set》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《集成特征选择方法在基因表达数据上的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表3～5展示了不同特征选择方法在不同阈值α下获得的特征子集使用支持向量机得到的分类准确度。加黑字体部分为同一阈值下不同特征选择方法到达的最高准确度。从实验结果可以看出，集成特征选择方法得到的特征子集具有比单一方法更好的预测性能。采用的3种聚合方法中，中位数聚合方法在Colon数据集和Leukemia数据集表现出最佳的性能，但在Prostate数据集中，均值聚合方法表现的性能更好。说明针对不同的数据集应该选取不同的聚合方法。阈值α取值在0.05左右已经可以达到一个较好的分类准确度，当阈值α取值在[0.08，0.1]范围时，分类准确度不仅不会增加，反而会减小。原因是由于不同特征之间具有一定的相关性，过多的特征会造成数据的冗余，增加数据的噪声，从而导致分类性能的降低。如何减少特征子集的冗余是下一步研究的方向。