《表2 典型模型分类性能:基于集成学习的航空发动机故障诊断方法》
经参数寻优,得到各典型模型分类性能,如表2所示。分析可知:(1)典型机器学习模型中,LR和SVM性能较差,精确率与召回率均低于0.60;RBF-SVM和NN性能相对上述两个模型有较明显提升,原因在于该故障诊断任务输入向量40维,复杂度较高,LR和SVM此类线性模型难以完成该分类任务;(2)RBF-SVM是性能最好的典型机器学习模型,精确率达到0.82,召回率达到0.79;(3)集成学习模型RF总体性能最好,精确率达到0.88,召回率达到0.86,该模型不但训练速度比同为集成学习模型的GBDT快,而且比单一机器学习模型RBF-SVM和NN更快。这体现了RF基于Bagging算法集成多个决策树的高泛化性,以及支持并行计算的高效性。
图表编号 | XD0047394200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 徐萌、席泽西、王雍赟、李晓露 |
绘制单位 | 中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院 |
更多格式 | 高清、无水印(增值服务) |