《表3 BPSOBCI与对比算法在11个数据集上的对比实验结果》

  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

《改进的粒子群算法优化的特征选择方法》

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

另一方面，从表3的对比实验结果中可以看出:同等条件下运行20次之后，本文算法在绝大部分数据集上，无论是分类错误率的标准差还是平均特征数的标准差相较于对比的3个算法要小很多。首先，所有数据集上得到的平均错误率的标准差均接近于0，足以显示算法在随机运行的情况下的稳定性。对于Musk1数据集，BPSOBCI分类错误率的标准差为0.018 3，比PSO-2stage的0.019 3降低了5.18%，平均特征数的标准差也减少了0.494 9。Sonar数据集上，BPSOBCI多次运行后，在平均分类错误率上的标准差为0.013 2，相较于PSO（4-2）得到的0.015 7，降低了15.92%。同时，平均特征数上的标准差为2.560 3，比ABC取得的3.278 3减少了0.718。Spectf数据集上，BPSOBCI分类错误率的标准差为0.020 7，比PSO-2stage的0.037 1降低了21.59%。平均特征数的标准差也减少了1.430 2。在平均分类错误率和平均特征数两个指标上取得优势的基础上，BPSOBCI上同时得到了最小的标准差，证明BPSOBCI在每次运行时，都能够稳定地搜索到最好的特征子集，有效地反映了BPSOBCI的稳定性。