《表3 平均0-1损失的W/D/L比较结果》

  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

《强化属性依赖关系的K阶贝叶斯分类模型》

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

表2所对应的W/D/L统计结果如表3所示，其中W/D/L代表Win/Draw/Loss，是指在相同条件下对相同的数据集，分类器A的0-1损失分别明显优于/接近/明显劣于分类器B的数据集的计数.需要指出的是:各个算法均以95%的置信度进行比较，不同算法对同一个数据集交叉验证的方式是相同的.由表3分析可以得到如下结论:在21个数据集中，对于模型KDBSM，在K=1阶时分类准确度显著优于KDB（6/15/0）和KDF（6/13/1）；在K=2阶时分类准确度明显优于KDB（8/12/1）和KDF（4/17/0），仅有一个数据集Autos的分类准确度劣于KDB，因为在KDB和KDF中该数据集属性间的关联程度已最大.综上所述，算法KDBSM具有更好的分类精度.