《表1 基于不同特征选择算法构建RF分类预测模型实验结果》
注: 表中 ± 前面和后面的数据分别表示 10 次测试结果的平均分类精度和方差
由表1可以看出,本文FSIGR特征选择方法分类精度为97.341%,召回率为97.3%,平均绝对误差为0.048,均优于其他特征选择方法。其中,文献[21]算法的分类精度为96.834%,召回率为96.8%,平均绝对误差为0.048 7,分类模型性能明显低于FSIGR方法的分类模型。CFS、GR和RF特征选择方法在特征降维方面表现较优,选择后的特征子集大小分别为9、11和13,但分类精度较低。WFS特征选择方法两种搜索策略选择的特征子集大小分别为28和29,在特征降维方面性能低于其他方法,分类精度分别为97.205%和97.286%,优于CFS等方法,但与本文方法相比综合性能较差且时间代价较大。实验结果表明,本文FSIGR特征选择方法能够选出特征维度较低、分类性能最优的特征子集,满足实际应用需求,证明了其方法的有效性。
图表编号 | XD0067688800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 周传华、柳智才、丁敬安、周家亿 |
绘制单位 | 安徽工业大学管理科学与工程学院、中国科学技术大学计算机科学与技术学院、安徽工业大学管理科学与工程学院、安徽工业大学管理科学与工程学院、早稻田大学IPS学院 |
更多格式 | 高清、无水印(增值服务) |