·1252· 工程科学学报，第39卷，第8期 表6基于DecisionStump的ECUA算法权重与分类器性能实验 Table 6 ECUA algorithm weight and classifier performance experiment based on DecisionStump 性能指标 数据集 权重 TPR(Recall) TNR Precision F1 AUC G-mean 0.5 0.742 0.674 0.695 0.717 0.752 0.707183 0.6 0.747 0.640 0.675 0.709 0.698 0.691433 0.7 0.747 0.635 0.672 0.707 0.669 0.688727 blood 0.8 0.747 0.635 0.672 0.707 0.683 0.688727 0.9 0.747 0.635 0.672 0.707 0.699 0.688727 1.0 0.747 0.635 0.672 0.707 0.700 0.688727 0.5 0.930 0.923 0.924 0.927 0.979 0.926493 0.6 0.937 0.923 0.924 0.931 0.976 0.929974 0.7 0.958 0.909 0.913 0.935 0.976 0.933178 Ecoli 0.8 0.972 0.909 0.914 0.942 0.975 0.939972 0.9 0.979 0.748 0.795 0.878 0.942 0.855741 1.0 0.951 0.643 0.727 0.824 0.893 0.78198 0.5 0.593 0.679 0.649 0.619 0.668 0.634545 0.6 0.654 0.568 0.602 0.627 0.634 0.609485 0.7 0.901 0.173 0.521 0.661 0.635 0.394808 haberman 0.8 0.951 0.173 0.535 0.684 0.659 0.405614 0.9 0.951 0.173 0.535 0.684 0.672 0.405614 1.0 0.951 0.173 0.535 0.684 0.683 0.405614 0.5 0.828 0.843 0.841 0.835 0.905 0.835466 0.6 0.817 0.832 0.830 0.823 0.893 0.824466 0.7 0.825 0.828 0.828 0.826 0.887 0.826499 pima 0.8 0.825 0.757 0.773 0.798 0.877 0.790269 0.9 0.858 0.817 0.824 0.841 0.884 0.837249 1.0 0.888 0.545 0.661 0.758 0.851 0.695672 0.5 0.522 0.478 0.500 0.511 0.505 0.499516 0.6 0.630 0.391 0.509 0.563 0.516 0.496316 0.7 0.587 0.283 0.450 0.509 0.426 0.407579 wpbe 0.8 0.543 0.283 0.431 0.481 0.404 0.392006 0.9 0.543 0.283 0.431 0.481 0.409 0.392006 1.0 0.543 0.283 0.431 0.481 0.421 0.392006 0.5 0.773 0.768 0.769 0.771 0.846 0.770495 0.6 0.771 0.689 0.712 0.740 0.771 0.728847 0.7 0.771 0.689 0.712 0.740 0.722 0.728847 magic 0.8 0.771 0.689 0.712 0.740 0.722 0.728847 0.9 0.771 0.689 0.712 0.740 0.722 0.728847 1.0 0.771 0.689 0.712 0.740 0.722 0.728847 数据的分类性能.进一步设计实验对ECUA算法的少 标的提升效果不显著.因此ECUA算法更适合于少数 数类数据的分类错误率权重进行研究，实验结果表明： 类数据价值大，对于少数类数据的分类精度要求比较 基于DecisionStump的ECUA算法增大少数类数据的 高的情况. 权重值可以提高少数类的分类精度，但对整体综合指工程科学学报,第 39 卷,第 8 期 表 6 基于 DecisionStump 的 ECUA 算法权重与分类器性能实验 Table 6 ECUA algorithm weight and classifier performance experiment based on DecisionStump 数据集 权重 性能指标 TPR(Recall) TNR Precision F1 AUC G鄄mean 0郾 5 0郾 742 0郾 674 0郾 695 0郾 717 0郾 752 0郾 707183 0郾 6 0郾 747 0郾 640 0郾 675 0郾 709 0郾 698 0郾 691433 blood 0郾 7 0郾 747 0郾 635 0郾 672 0郾 707 0郾 669 0郾 688727 0郾 8 0郾 747 0郾 635 0郾 672 0郾 707 0郾 683 0郾 688727 0郾 9 0郾 747 0郾 635 0郾 672 0郾 707 0郾 699 0郾 688727 1郾 0 0郾 747 0郾 635 0郾 672 0郾 707 0郾 700 0郾 688727 0郾 5 0郾 930 0郾 923 0郾 924 0郾 927 0郾 979 0郾 926493 0郾 6 0郾 937 0郾 923 0郾 924 0郾 931 0郾 976 0郾 929974 Ecoli 0郾 7 0郾 958 0郾 909 0郾 913 0郾 935 0郾 976 0郾 933178 0郾 8 0郾 972 0郾 909 0郾 914 0郾 942 0郾 975 0郾 939972 0郾 9 0郾 979 0郾 748 0郾 795 0郾 878 0郾 942 0郾 855741 1郾 0 0郾 951 0郾 643 0郾 727 0郾 824 0郾 893 0郾 78198 0郾 5 0郾 593 0郾 679 0郾 649 0郾 619 0郾 668 0郾 634545 0郾 6 0郾 654 0郾 568 0郾 602 0郾 627 0郾 634 0郾 609485 haberman 0郾 7 0郾 901 0郾 173 0郾 521 0郾 661 0郾 635 0郾 394808 0郾 8 0郾 951 0郾 173 0郾 535 0郾 684 0郾 659 0郾 405614 0郾 9 0郾 951 0郾 173 0郾 535 0郾 684 0郾 672 0郾 405614 1郾 0 0郾 951 0郾 173 0郾 535 0郾 684 0郾 683 0郾 405614 0郾 5 0郾 828 0郾 843 0郾 841 0郾 835 0郾 905 0郾 835466 0郾 6 0郾 817 0郾 832 0郾 830 0郾 823 0郾 893 0郾 824466 pima 0郾 7 0郾 825 0郾 828 0郾 828 0郾 826 0郾 887 0郾 826499 0郾 8 0郾 825 0郾 757 0郾 773 0郾 798 0郾 877 0郾 790269 0郾 9 0郾 858 0郾 817 0郾 824 0郾 841 0郾 884 0郾 837249 1郾 0 0郾 888 0郾 545 0郾 661 0郾 758 0郾 851 0郾 695672 0郾 5 0郾 522 0郾 478 0郾 500 0郾 511 0郾 505 0郾 499516 0郾 6 0郾 630 0郾 391 0郾 509 0郾 563 0郾 516 0郾 496316 wpbc 0郾 7 0郾 587 0郾 283 0郾 450 0郾 509 0郾 426 0郾 407579 0郾 8 0郾 543 0郾 283 0郾 431 0郾 481 0郾 404 0郾 392006 0郾 9 0郾 543 0郾 283 0郾 431 0郾 481 0郾 409 0郾 392006 1郾 0 0郾 543 0郾 283 0郾 431 0郾 481 0郾 421 0郾 392006 0郾 5 0郾 773 0郾 768 0郾 769 0郾 771 0郾 846 0郾 770495 0郾 6 0郾 771 0郾 689 0郾 712 0郾 740 0郾 771 0郾 728847 magic 0郾 7 0郾 771 0郾 689 0郾 712 0郾 740 0郾 722 0郾 728847 0郾 8 0郾 771 0郾 689 0郾 712 0郾 740 0郾 722 0郾 728847 0郾 9 0郾 771 0郾 689 0郾 712 0郾 740 0郾 722 0郾 728847 1郾 0 0郾 771 0郾 689 0郾 712 0郾 740 0郾 722 0郾 728847 数据的分类性能. 进一步设计实验对 ECUA 算法的少 数类数据的分类错误率权重进行研究,实验结果表明: 基于 DecisionStump 的 ECUA 算法增大少数类数据的 权重值可以提高少数类的分类精度,但对整体综合指 标的提升效果不显著. 因此 ECUA 算法更适合于少数 类数据价值大,对于少数类数据的分类精度要求比较 高的情况. ·1252·