《表3 BPSOBCI与对比算法在11个数据集上的对比实验结果》
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。
图表编号 | XD0091255700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 李炜、巢秀琴 |
绘制单位 | 安徽大学计算机科学与技术学院、安徽大学计算智能与信号处理教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |