《表5 不同算法时间性能》

  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

《基于分层抽样的不均衡数据集成分类》

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5记录了各个对比方法在固定参数下运行一次需要的平均时间，即50次实验运行时间的均值（包括串行构建分类器所用的时间）.用于计算时间的电脑的处理器为第6代英特尔酷睿i7处理器.由于EC-SS、EC-RS以及AdaS均为集成类学习法其时间性能受到分类器的构建的影响，又因为EC-SS方法结合了聚类学习，其时间性能也会受到聚类方法的影响.对比EC-SS和EC-RS的耗时可以看出，在相对小的数据集上两者的运行时间相差不大，在较大的数据集上由于自调节谱聚类的时间复杂度较高，使两者在Yeast6数据集上运行时间相差较大.本研究旨在探讨如何更合理地构建集成学习中的数据成员，以上实验结果表明，基于聚类的分层抽样方法能够构建保持原有数据结构信息的抽样数据集，进而提升最终分类器的预测性能.实际在挖掘多数类结构信息时可以运用更快速的聚类方法以提升运行速度.此外，由于各集成的数据成员以及分类器之间不存在依赖关系，本研究提出的集成分类方法可以实现并行操作，节省运行时间.