《表3 平均0-1损失的W/D/L比较结果》
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.
图表编号 | XD0054185400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 王利民、姜汉民 |
绘制单位 | 吉林大学计算机科学与技术学院、吉林大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |