《表4 F1度量/%：层次采样的代价敏感随机森林算法及其应用》

  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

《层次采样的代价敏感随机森林算法及其应用》

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

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。