Paper - Hogeschool Gent

Hoofdstuk 5. Resultaten 50
min P min R min F1 max P max R max F1
baseline 12,6% 73,2% 21,8% 36,9% 92,7% 52,8%
300k64 19,6% 75,6% 31,2% 39,5% 92,7% 53,5%
300k128 9,4% 63,4% 16,4% 21,7% 95,1% 35,2%
300k256 13,3% 78,0% 22,7% 29,0% 95,1% 44,2%
300k512 8,2% 73,2% 14,8% 14,7% 95,1% 25,4%
Tabel 5.5: Effect van clustering op SVM+MI.
Uit tabel 5.5 volgt dat het toevoegen van clusteringfeatures aan het classificatieproces
geen positieve invloed heeft. Figuur 5.9 bevestigt dat hoe groter het aantal clusters is,
hoe slechter de classifier presteert. Enkel met 64 clusters komen de resultaten terug in de
buurt van de baseline. Bovendien kan in het begin van grafiek 300k64 een scherpe daling
waargenomen worden. De hoge startwaarde en de daling van de F1 measure valt in het
gebied waar de gezamenlijke hoeveelheid clusterfeatures groter dan of gelijk is aan het
aantal features per klasse aangebracht door de MI feature selector.
F1
1,00
0,90
0,80
0,70
0,60
0,50
0,40
0,30
0,20
0,10
0,00
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
% gebruikte features
Figuur 5.9: Optimalisatie door extra clustering features.
baseline
300k64
300k128
300k256
300k512