《表5 结果精度分析：基于MK-RVM学习方法的大学生科研能力预测模型》

  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MK-RVM学习方法的大学生科研能力预测模型》

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

为了进一步分析MK-RVM预测结果的有效性，从内符精度（对选出的20个训练样本的大学生科研能力等级预测的准确率，测试建模精度），外符精度（对选出的20个测试样本的大学生科研能力等级预测的准确率，测试预测能力）、算法运行时间方面与LM-BP神经网络、拟牛顿法-神经网络、梯度下降法-神经网络进行对比，其中LM-BP神经网络、拟牛顿法-神经网络、梯度下降法-神经网络的结果见文献[6]，具体精度指标如表5所示。由表5可知，MK-RVM预测结果内符精度及外符精度均优于LM-BP神经网络、拟牛顿法-神经网络、梯度下降法-神经网络，证实MK-RVM用于大学生科研能力等级评价具有出色的建模精度及优秀的预测能力，结果可靠。通过对比MK-RVM与LM-BP神经网络、拟牛顿法-神经网络、梯度下降法-神经网络进行算法运行时间（采用100次重复运行的平均值）可知，MK-RVM算法运行时间远远小于其余神经网络方法，具有很高的计算效率。由于MK-RVM是一种稀疏算法，40个训练样本，建模只有28个相关向量机（见文中的权向量w的个数），算法具有很好的稀疏性。MK-RVM将权向量w=（w0，w1，?，w28）T代入式（1）可以得到确切的评价函数关系式，算法稳定，而BP神经网络模型得不到确切的函数关系式，算法稳定性不高，并且不便于对模型的理解与分析。