基于加權(quán)策略的svm多元分類器(編輯修改稿)
2025-02-24 02:00 本頁面
【文章內(nèi)容簡(jiǎn)介】 ? 模型： 200M數(shù)據(jù)的 2/3用于構(gòu)建分類器模型，剩余 1/3作開放測(cè)試集進(jìn)行分類測(cè)試。 SVM使用線性核函數(shù)。 ? 評(píng)測(cè)標(biāo)準(zhǔn)：微平均準(zhǔn)確率、宏平均準(zhǔn)確率、宏平均召回率、宏平均 F1值和時(shí)間，其中時(shí)間是包括訓(xùn)練和分類的總時(shí)間 實(shí)驗(yàn)結(jié)果 1：分類器的比較 (1) 分類方法 微平均準(zhǔn)確率 （％） 宏平均準(zhǔn)確率（％） 宏平均召回率（％） 宏平均 F1（％） 時(shí)間（ s) SVMmultic SVMTorch RainbowSVM MSVMlight 實(shí)驗(yàn)結(jié)果 1：分類器的比較 (2) 性能曲線圖 時(shí)間柱狀圖 0%20%40%60%80%100%micro_p Macro_p Macro_r Macro_F1S V M m u l t i c l a s s S V M T o r c hR a i n b o w S V M M S V M l i g h t050001000015000202302500030000S V M m u l t i c S V M T o r c h R a i n b o w S V M M S V M l i g h t實(shí)驗(yàn) 2：閾值策略的比較（ 1） ? 對(duì) WRCut中各類別的權(quán)重值，本文將訓(xùn)練集隨機(jī)劃分為訓(xùn)練 訓(xùn)練集 (占 3/4)和訓(xùn)練 測(cè)試集（占 1/4），從經(jīng)驗(yàn)值出發(fā)，在反復(fù)訓(xùn)練的過程中自動(dòng)調(diào)整權(quán)重值。 ? 權(quán)重調(diào)整范圍為 ~，每個(gè)類的權(quán)重分別遞增 ，當(dāng)權(quán)重的增加使得精度下降時(shí)，該權(quán)重減 ，取宏觀 F1達(dá)到最大值時(shí)各類別所得權(quán)重，總訓(xùn)練時(shí)間為 ，這個(gè)時(shí)間對(duì)總訓(xùn)練時(shí)間而言是可忽略的。 實(shí)驗(yàn) 2：閾值策略的比較（ 2） 類別編號(hào) 類別 權(quán)重值 01 人文與藝術(shù) 03 商業(yè)與經(jīng)濟(jì) 04 娛樂與休閑 05 計(jì)算機(jī)與因特網(wǎng) 07 教育 08 各國(guó)風(fēng)情 10 自然科學(xué) 11 政府與政治 12 社會(huì)科學(xué) 13 醫(yī)療與健康 14 社會(huì)與文化 經(jīng)過學(xué)習(xí)得到的 11個(gè)類別各自的權(quán)重值 實(shí)驗(yàn) 2：閾值策略的比較（ 3） RCut策略與 WRCut策略精度比較曲線 80%82%84%86%88%90%92%micro_
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1