《表4 Stacking模型与典型集成模型性能对比》

  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

《基于集成学习的航空发动机故障诊断方法》

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

将设计的Stacking模型对比同样组合RBF-SVM、NN、RF与GBDT 4种基模型的MV多数投票集成模型，以及表2中性能最好的集成模型RF和性能最好的单一模型RBF-SVM，仿真实验结果如表4所示。分析可知:该Stacking模型的分类精确率相比MV提高约3%，相比RF提高约6%，相比RBF-SVM提高约13%；召回率相比MV提高约3%，相比RF提高约7%，相比RBF-SVM提高约16%。仿真实验结果表明该Stacking模型能在原有基模型基础上进一步提升泛化能力，相比已有的典型集成模型和单一模型有更高的分类性能，可以更好地应用于航空发动机故障诊断。