《表4 各模型在20Newsgroups的性能比较》

  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

《提升分类受限玻尔兹曼机性能的策略》

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

为了对比提升策略在文档分类方面的效果，我们使用了与ClassRBM模型一样的数据集20Newsgroups，它收集了不同时期的新闻文档，包含11 269条训练数据及标签，7505条测试数据及标签组成，共20类新闻。实验时，将原始训练数据分成9578条数据的训练集和1691条数据的验证集。由于数据集包含的词比较多，我们仅选择了出现频率最大的5000个词作为输入数据的维度。分类结果见表4。从表中的数据来看，采用不同阈值的提升策略，其在文档分类的性能上高于ClassRBM、SVM、RBM+NNet和Random Forest。这些模型的实验数据来自文献[1]的实验结果。