第3期 邓思宇，等：基于PageRank的主动学习算法 ·557. 数据集上与J48、Naive Bayes、kNN、One-R和Lo- 以及对比算法在不同训练集比例下的分类精度变 gistics经典算法做了对比。图4展示了PAL算法 化趋势。 1.0 10 0 0.8 06 —PAL 0.6 kNN 0.4 J48 Bayes ·一PAL kNN +Bayes Onepous ★一 Onepous -J48 ■L0gi1 stics ■Logistics 0.2 0.4 0.02 0.040.06 0.08 0.10 0.02 0.04 0.06 0.08 0.10 训练集比例 训练集比例 (a)Iris (b)Flame 1.0 0.75 0.8 0.70 0.6 0.65 0.4 --PAL kNN ◆-J48 0.60 J48 0.2 Baves Bayes Onep ★-Onepous Logistics ■-Log1 stics 0.55 0.02 0.040.06 0.08 0.10 0 0.02 0.040.06 0.080.10 训练集比例 训练集比例 (c)E.coli (d)Diabetes 1.0 1.0 0.8 0.8 06 举0.6 PAL ◆-PAL kNN kNN J48 04 ◆J48 0.4 Bayes Bayes nepou Logistics LogistIcs 02 0.020.040.06 0.2 0.080.10 0.02 0.040.06 0.080.10 训练集比例 训练集比例 (e)Seeds (f)Twonorm 1.0 1.0 0.9 0.8 0.8 1 0.7 PAL kNN J48 0.4 ◆ J48 Baves Bayes 0.6 Onepous ★Onepous -Logistics ■一Logistics 0.2 0.5 0.02 0.04.0.06 0.08 0.10 0.02 0.040.06 0.080.10 训练集比例 训练集比例 (g)Aggregation (h)Jain 图4与经典算法对比 Fig.4 Comparison with classical algorithms数据集上与 J48、Naïve Bayes、kNN、One-R 和 Lo￾gistics 经典算法做了对比。图 4 展示了 PAL 算法 以及对比算法在不同训练集比例下的分类精度变 化趋势。 1.0 0.8 0.6 0.4 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (b) Flame 精度 PAL kNN J48 Bayes Onepous Logistics 1.0 0.8 0.6 0.4 0 0.2 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (c) E.coli 精度 PAL kNN J48 Bayes Onepous Logistics 0.75 0.70 0.65 0.60 0.55 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (d) Diabetes 精度 PAL kNN J48 Bayes Onepous Logistics 1.0 0.8 0.6 0.4 0.2 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (g) Aggregation 精度 PAL kNN J48 Bayes Onepous Logistics 1.0 0.8 0.6 0.4 0.2 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (a) Iris 精度 PAL kNN J48 Bayes Onepous Logistics 1.0 0.8 0.7 0.6 0.9 0.5 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (h) Jain 精度 PAL kNN J48 Bayes Onepous Logistics 1.0 0.8 0.6 0.4 0.2 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (e) Seeds 精度 PAL kNN J48 Bayes Onepous Logistics 1.0 0.8 0.6 0.4 0.2 0 0.02 0.04 0.06 0.08 0.10 训练集比例 (f) Twonorm 精度 PAL kNN J48 Bayes Onepous Logistics 图 4 与经典算法对比 Fig. 4 Comparison with classical algorithms 第 3 期 邓思宇，等：基于 PageRank 的主动学习算法 ·557·