《表3 各算法的性能比较》

  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

《不平衡学习在电力设备故障诊断中的应用》

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

实验选取各模型与不平衡学习算法进行比较，如表3所示，包括传统分类模型:K最近邻分类（KNN）、贝叶斯算法（Bayes）、决策树算法（DecisionTree）、神经网络多层感知器（MLP）和支持向量机算法（SVM）；集成学习模型:Bagging、AdaBoost、GBDT、RF和ET；集成学习与平衡学习改进模型:BalancedBagging、EasyEnsemble、BalancedRF和RUSBoost；抽样与集成学习融合模型:SMOTE+ET、BorderlineSMOTE+ET、ADASYN+ET。实验结果表明，使用ADASYN上抽样和集成学习ET分类性能较好，Avg＿Acc达到82.53%，G＿mean达到80.74%，均优于其他算法。