《表9 HC2的实例数和分类精度 (Australian信用数据集)》

  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

《基于模糊粗糙集实例选择的混合算法在信用评分中的应用》

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

*当α=0.2，约简数据集过小，对原始数据集不具有代表性

表8和表9显示了混合分类器2（HC2）在不同颗粒度系数下经过2种交叉检验后的分类精度和约简后实例数.颗粒度系数的取值原则参考HC1.从整体上来看，依然是多项式核函数SVM算法性能最佳，但Australian数据集的最佳分类精度却是线性核函数SVM算法获得.German信用数据集在2种交叉检验下的最佳分类精度分别是0.977 5和0.978 8，并且取得最优值时的颗粒度参数相同，对应的最优实例数是709，是原始数据集大小的70.9%.Australian信用数据集在弃一法交叉检验下的最佳分类精度是0.988 1，相应的实例数是505，为原始数据集大小的73.2%.与HC1相比，HC2不需要调整门限参数τ，虽然German信用数据集的最佳分类精度略有下降，但约简数据集实例数更少.对于German信用数据集来说，HC2约简后的实例数介于HC1当τ分别取0.8和0.9得到的实例数之间.Australian信用数据集约简实例数在HC2中变化比较大，并且用更少的实例得到了比HC1中更好的分类精度，这说明HC2获得了比HC1质量更好的约简数据集.