《表3 不同参数下基分类器性能》

  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

《基于差异性神经网络集成的命名实体识别方法》

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

注:其中，cb与sg分别代表词向量模型选取CBOW与Skip-Gram模型，同为cb或同为sg的基分类器使用同一词向量空间；ce与ins分别代表代价函数选取交互熵（cross en-tropy）与ε不敏感损失函数（insensitive loss function）；rate代表学习率。

表5显示了单一神经网络模型和双向长短时神经网络集成的性能。从表中可以看出，由多个不同参数的神经网络组成的集成模型优于单一神经网络模型。由表4中可知，使用ε不敏感损失函数作为神经网络代价函数使基分类器之间具有更大的差异性，表5的结果也间接反映了使用ε不敏感损失函数替换交叉熵可以产生更大的差异性，从而使神经网络集成具有更好的性能，这一结论在基分类器数量小时更明显。