《表4 各算法结果比较：基于半监督SVM的交通方式特征分析和识别》
提示：宽带有限、当前游客访问压缩模式
运用K近邻（KNN）、决策树（DT）、支持向量机（SVM）等监督学习分类方法设置45组对照实验，取10次运行结果平均值作为最终结果，结果如表4、图7所示。
| 图表编号 | XD0097449200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.20 |
| 作者 | 冯雨庭、张锦、肖斌 |
| 绘制单位 | 西南交通大学交通运输与物流学院、西南交通大学交通运输与物流学院、西南交通大学交通运输与物流学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 特征洪水时流量表：基于胶囊神经网络的交通标志识别算法研究》2020.12.24
- 《表5 与其他半监督降维算法在数据集上的结果比较》2021.01.01
- 《表2 识别算法对比结果：基于联合特征和XGBoost的活动语义识别方法》2020.11.10
- 《表2 实验数据集：一种基于样本选择的安全半监督分类算法》2020.02.28
- 《表5 MIPS标准库上各监督算法的复合物识别结果》2020.05.10
- 《表2 数据集的特征：基于闭包准则和成对约束的半监督聚类算法》2020.03.01
- 《表4 基于图的半监督分类方法的对比分析》2020.03.15
- 《表2 聚类结果统计：基于半监督学习的网络应用流识别研究》2020.02.01
- 《表1 特征提取主体网络：基于深度可分离卷积的交通标志识别算法》2019.12.01
- 《表1 特征提取主体网络：基于深度可分离卷积的交通标志识别算法》2019.12.01
- 《表1 测试结果：一种基于SVM算法的波形特征识别算法》2019.12.01
- 《表1 基于成对约束的半监督聚类算法》2019.11.10
- 《表3 出行特征及其符号：基于半监督SVM的交通方式特征分析和识别》2019.09.20
- 《表2 数据集的特征：基于功效散度和成对约束的半监督聚类算法》2019.07.01
- 《表2 性能指标比较：分支定界半监督SVM在油层识别中的应用》2019.08.01
- 《表3 识别结果：分支定界半监督SVM在油层识别中的应用》2019.08.01
- 《表4 基于相对交通距离识别方式的再检验》2019.02.15
- 《表4 测试时间对比：一种邻域自适应半监督局部Fisher判别分析算法》2019.01.01
- 《表2 实验结果：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25
- 《表1 实验参数设置：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25