《表2 样本量对比：基于凸边界的学习样本抽取方法》
提示：宽带有限、当前游客访问压缩模式
原始训练集D1和边界样本集BS之间样本量的比较如表2所示。
| 图表编号 | XD0090230200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.10 |
| 作者 | 顾依依、谈询滔、袁玉波 |
| 绘制单位 | 华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 零样本学习各类方法优缺点对比》2021.02.01
- 《表2 小样本学习方法优缺点对比》2021.02.01
- 《表3 基于度量学习的少样本学习方法总结》2020.08.05
- 《表2 基于迁移学习的少样本学习方法总结》2020.08.05
- 《表1 基于数据增强的少样本学习方法总结》2020.08.05
- 《表4 基于元学习的少样本学习方法总结》2020.08.05
- 《表2 基于度量学习的少样本方法总结》2021.01.28
- 《表3 基于元学习的少样本方法总结》2021.01.28
- 《表2 训练模型参数：基于深度学习的难分类样本行人检测方法》2020.10.20
- 《表1 预训练模型参数：基于深度学习的难分类样本行人检测方法》2020.10.20
- 《表3 城市教师参加网络学习情况（随机抽取10个样本）》2020.11.15
- 《表2 乡村教师参加网络学习情况（随机抽取10个样本）》2020.11.15
- 《表2 实验结果：基于深度学习的电网调控文本知识抽取方法》2020.12.25
- 《表2 学习样本：一种基于BP神经网络的气井重复压裂井优选方法》2020.04.10
- 《表2 查找节点信息方法：基于文档结构与深度学习的金融公告信息抽取》2020.01.16
- 《表4 清洗效率分析：基于凸边界的学习样本抽取方法》2019.08.10
- 《表1 数据集描述：基于凸边界的学习样本抽取方法》2019.08.10
- 《表5 基于典型机器学习方法的测试样本预测结果对比表》2019.07.10
- 《表5 方法性能对比实验：基于多示例学习的化学物致病关系抽取》2019.02.15
- 《表6 基于边界样本的异常信息识别方法实验结果Tab.6 Experimental results based on abnormal information identifying samples boundaries》2018.01.25