《表2 指标定义：应用于软件缺陷预测模型的量子粒子群优化BP算法》
提示：宽带有限、当前游客访问压缩模式
为了实现本文方法有效性的对比，使用对比通用指标，包括查准率、准确率及查全率，利用此指标对软件预测模型的预测水平进行分析。根据交叉矩阵定义三个指标，指标的定义如表2所示。
| 图表编号 | XD0078702800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 莫有印 |
| 绘制单位 | 邵阳学院、重庆幼儿师范高等专科学校 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 4种方法预测性能：改进粒子群算法优化SVR水质预测模型研究》2021.02.15
- 《表1 平均训练时间对比：基于量子粒子群优化极限学习机的频谱感知算法》2021.02.01
- 《表1 不同稀疏率的对比：基于量子粒子群算法的大型阵稀疏优化方法》2020.08.25
- 《表2 粒子群算法的特点：基于粒子群优化算法的软件测试数据自动生成实证研究》2020.06.28
- 《表1 仿真模型参数：改进粒子群算法应用于挖掘机铲斗位置控制》2020.02.08
- 《表2 预测组样本数据：基于粒子群算法优化BP神经网络的溶浸开采浸出率预测》2020.02.28
- 《表1 训练组样本数据：基于粒子群算法优化BP神经网络的溶浸开采浸出率预测》2020.02.28
- 《表1 障碍物信息：基于量子粒子群优化算法的无人艇航线规划》2020.03.01
- 《表2 粒子群算法的参数：基于PSO优化BP神经网络的光伏发电量预测》2019.08.25
- 《表1 实验数据：应用于软件缺陷预测模型的量子粒子群优化BP算法》2019.08.01
- 《表1 典型的测试函数：混合自适应量子粒子群优化算法》2019.07.05
- 《表2 测试结果：混合自适应量子粒子群优化算法》2019.07.05
- 《表1 预测误差统计：基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用》2019.07.15
- 《表1 模型变量：基于粒子群算法和BP神经网络的多因素林火等级预测模型》2019.05.25
- 《表1 算法性能测试结果：面向反应再生过程的量子粒子群多目标优化》2019.02.01
- 《表1 变量的量化：基于粒子群优化BP网络的山区高速公路交通事故预测模型》2018.10.15
- 《续表1：基于粒子群优化BP网络的山区高速公路交通事故预测模型》2018.10.15
- 《表2 测试结果2：混沌量子粒子群算法在火电厂中的应用》2018.03.28
- 《表1 测试结果1：混沌量子粒子群算法在火电厂中的应用》2018.03.28
- 《表1 缺陷位置报告：基于文化粒子群算法的软件缺陷定位方法》2019.11.01