Page 122 - 《软件学报》2021年第11期

3448 Journal of Software 软件学报 Vol.32, No.11, November 2021

(a) 数据集 Atp1d (b) 数据集 Atp7d

(c) 数据集 Scm1d (d) 数据集 Oes10

(e) 数据集 Oes97 (f) 数据集 Rf2

Fig.2 Experimental results (KRR)
图 2 实验结果(KRR)
从图 1 和图 2 中可以看出,用不同的算法进行回归任务时,进行属性选择确实能提升学习任务的效果,因为
属性选择过程中尽可能地剔除了无关属性和冗余属性.除此之外,还可以看出,在进行属性选择时,由于数据划
分的随机性和调节参数的不同设置,本算法在每一个数据集的每一折训练结果中并不都是最好的;但是在大多
数情况下,本算法的结果优于对比算法,所以最终的平均相关系数和平均均方根误差呈现最优值.而且从图像的
波动程度来看,其他算法对应的折线震荡幅度都很大,说明它们的模型相对而言不是很稳定,进一步证明了本算
法对应的回归模型鲁棒性高.
本算法与其他算法在 aRMSE 指标上的比较结果如表 4(SVR 验证)、表 5(KRR 验证)所示.表中的 Average