《表5 各算法在UCI数据集上的实验结果》
对比算法有BP神经网络、多类SVM、决策树C4.5算法.各程序均在Matlab2017上部署运行,SVM采用径向基函数作为核函数,参数采用网格计算方法,λ和γ的搜索范围为λ∈{2-9,…,210}和γ∈{2-9,…,25}.采用增量生长法来确定SLF-CIB算法和BP神经网络的隐层节点数目,从5开始递增,测试学习误差,若误差的变化低于阈值(0.01),则停止增长.SLF-CIB算法输出的偏序序列的第一个分量参与评价指标计算,实验采用五折交叉验证法,实验结果的平均值如表5所示.从表5可以看到,SLF-CIB在大多数的数据集下取得了较高的AUC和TPR.对于存在着极小类样本的数据集Glass、Abalone,SLF-CIB算法与决策树算法的TNR值相近,但TPR值提高了,说明对于小类样本的识别率有显著的提高,进而提高了AUC指标值.
图表编号 | XD0096860400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.01 |
作者 | 罗方芳、郭文忠、刘耿耿、陈国龙 |
绘制单位 | 福州大学数学与计算机科学学院、集美大学计算机工程学院、福州大学数学与计算机科学学院、福州大学空间数据挖掘与信息共享教育部重点实验室、福州大学数学与计算机科学学院、福州大学数学与计算机科学学院 |
更多格式 | 高清、无水印(增值服务) |