《表4 不同参数对差异性和提升度的影响》

  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，每一行代表特定参数不同、其余参数相同的两两成对的基分类器多对组合多次实验的平均结果。如第一行，参数为（sg，loss=ce，rate=0.03，全零初始化）与参数为（sg，loss=ce，rate=0.03，高斯正态初始化）的基分类器互为一对，共有4对，第一行为这4对组合5次实验的平均

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。