不同約束數目的正確率結果

本節中，將探討針對不同資料集固定相異維度下，當約束數目增加時，利用 各個不同的特徵萃取法搭配固定的分類器來呈現各個約束數目的正確率。首先除 了 Soybean(small)是將每一約束數目 各別進行 100 次的抽樣外，其他皆 以約束數目 來進行，因為 Soybean(small)的樣本數最多只能隨機抽 15 個約束數目。以下以折線圖來呈現各個資料集在不同的特徵萃取法搭配固定 分類器之正確率平均數。

(a) Iris (b) Balance

(c) Wine (d) Ionosphere

47

(e) Soybean (small) (f) Sonar

圖 4.4-1 在 1NN 下，資料集在不同約束數目的辨識結果

圖 4.4-1 (a) 是 Iris 資料集固定在第 2 維，分類器為 1NN 下，比較不同約束 數目的正確率，從圖中可以發現大部分的特徵萃取法皆因為約束數目的增加而使 得正確率提升，而半監督式特徵萃取法則呈現穩定的曲線，尤以 SSFE_PCC 在 約束數目為 5 的時候，就有著和其他方法在約束數目多的時候的正確率。圖 4.4-1 (b) 是 Balance 資料集固定在第 2 維，在此資料集中，半監督式特徵萃取法除了 SSFE_PCC 外，不像其他資料集有著較佳的辨識效果，SSFE_PCC 隨著約束數目 的增加，其正確率也漸漸地與 LDA 差不多，甚至在某些約束數目下還勝過 LDA。

圖 4.4-1 (c) 是 Wine 資料集固定在第 3 維，除了非監督式特徵萃取法，其他方法 皆可因為約束數目的增加而提升正確率，又以半監督式特徵萃取法較為穩定，雖 然當約束數目為 50 時，以 LDA 的正確率最佳，但 SSFE_PCC 在約束數目為 5 時就有與其差不多的正確率。圖 4.4-1 (d) 是 Ionosphere 資料集固定在第 6 維，

可以發現半監督式特徵萃取法皆比其他方法的正確率佳，尤以 SSFE_PCC 不管 在多少約束數目都有著不錯的辨識效果。圖 4.4-1 (e) 是 Soybean (small)資料集 固定在第 3 維，從圖中明顯看出，SSFE_PCC 在每個約束數目幾乎皆達到近百分 之百的辨識效果。圖 4.4-1 (f) 是 Sonar 資料集固定在第 5 維，半監督式特徵萃 取法還是比非監督式及監督式特徵萃取法有更好的辨識效果，尤以 SSFE_PCC 不管在任何約束數目皆比其他方法有更佳的正確率。

48

(a) Iris (b) Balance

(c) Wine (d) Ionosphere

(e) Soybean (small) (f) Sonar

圖 4.4-2 在 SVM 下，資料集在不同約束數目的辨識結果

49

圖 4.4-2 (a) 是 Iris 資料集固定在第 2 維，分類器為 SVM 下，比較不同約束 數目的正確率，從圖中可以發現大部分的特徵萃取法皆因為約束數目的增加而使 得正確率提升，而半監督式特徵萃取法則呈現穩定的曲線，雖然 SSFE_PCC 在 約束數目為 5 到 10 的時候，有稍為下滑趨勢，但之後又慢慢地提升正確率直到 約束數目為 50 皆為穩定曲線，並與其他方法比較下並無太大差異。圖 4.4-2 (b) 是 Balance 資料集固定在第 2 維，在此資料集中，半監督式特徵萃取法卻比其他 方法來得更穩定，尤以 SSFE_PCC 在約束數目為 5 的時候就比其他方法有著不 錯的辨識效果，並隨著約束數目的增加，也和其他半監督式特徵萃取法及 LDA 的正確率差不多。圖 4.4-2 (c) 是 Wine 資料集固定在第 3 維，除了非監督式特徵 萃取法，其他方法皆可因為約束數目的增加而提升正確率，又以半監督式特徵萃 取法較為穩定，雖然當約束數目為 50 時，以 LDA 的正確率最佳，但 SSFE_PCC 在約束數目為 5 時就有與其差不多的正確率。圖 4.4-2 (d) 是 Ionosphere 資料集 固定在第 3 維，可以發現半監督式特徵萃取法皆比其他方法的正確率好，尤以 SSDR 較佳，當約束數目為 15 之後，皆比其他方法有著不錯地辨識效果，而 SSFE_PCC 的辨識效果則其次，但在約束數目多的時候也和 SSDR 並無多大差異。

圖 4.4-2 (e) 是 Soybean (small)資料集固定在第 3 維，從圖中明顯看出，SSFE_PCC 在每個約束數目幾乎皆達到近百分之百的辨識效果。圖 4.4-2 (f) 是 Sonar 資料 集固定在第 5 維，半監督式特徵萃取法還是比非監督式及監督式特徵萃取法有更 好的辨識效果，尤以 SSFE_PCC 不管在任何約束數目皆比其他方法有更佳的正 確率。

50

(a) Iris (b) Balance

(c) Wine (d) Ionosphere

(e) Soybean (small) (f) Sonar

圖 4.4-3 在 QDC 下，資料集在不同約束數目的辨識結果

51

圖 4.4-3 (a) 是 Iris 資料集固定在第 2 維，分類器為 QDC 下，比較不同約 束數目的正確率，從圖中可以發現大部分的特徵萃取法皆因為約束數目的增加而 使得正確率提升，而以 SSFE_PCC 呈現較穩定的曲線，尤以 SSFE_PCC 在約束 數目為 5 的時候，就有著比其他方法更佳的正確率，之後仍無下滑趨勢。圖 4.4-3 (b) 是 Balance 資料集固定在第 2 維，在此資料集中，尤以 SSFE_PCC 為最佳特 徵萃取法，其次是 LDA。圖 4.4-3 (c) 是 Wine 資料集固定在第 3 維，除了非監 督式特徵萃取法，其他方法皆可因為約束數目的增加而提升正確率，又以 SSFE_PCC 較為穩定，雖然當約束數目為 50 時，以 LDA 的正確率最佳，但 SSFE_PCC 也和其正確率無多大差異。圖 4.4-3 (d) Ionosphere 是資料集固定在第 9 維，可以發現半監督式特徵萃取法皆比其他方法的正確率佳，尤以 SSFE_PCC 不管在多少約束數目都有著不錯的辨識效果。圖 4.4-3 (e) 是 Soybean (small)資 料集固定在第 3 維，從圖中明顯看出，從約束數目為 10 時，SSFE_PCC 在每個 約束數目幾乎皆達到近百分之百的辨識效果，在約束數目為 5 時也是比其他方法 有著較好的辨識能力。圖 4.4-3 (f) 是 Sonar 資料集固定在第 4 維，半監督式特 徵 萃 取 法 還 是 比 非 監 督 式 及 監 督 式 特 徵 萃 取 法 有 更 好 的 辨 識 效 果 ， 尤 以 SSFE_PCC 不管在任何約束數目皆比其他方法有更佳的正確率。

52