《表4 F1度量/%:层次采样的代价敏感随机森林算法及其应用》
为了评估本文算法的有效性和可行性,本文算法分别与RF、特征选择随机森林算法(feature selection random forests,FRF)、代价敏感随机森林算法(cost-sensitive random forests,Cost-FR)、SMOTE-RF算法(SMOTE random forests,SMOTE-RF)、ELM和级联ELM(cascade extreme learning machine,Cas-ELM)等进行了对比,对比结果见表2、表3、表4和表5。分类结果是20次实验的平均值。算法实验环境是Python3.5,所用处理器是i7-7700k,操作系统是ubuntu16.04。
图表编号 | XD006906500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.16 |
作者 | 胡志鹏、颜秉勇、彭亦功 |
绘制单位 | 华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |