在机器学习领域，算法性能评估是模型选择与优化的重要环节。本文基于ichartcool可视化工具，对六种主流算法在不同数据比例下的性能表现进行对比分析，重点验证Our方法在多种场景下的优越性。通过系统实验与数据可视化，我们能够直观地观察到各算法随数据量变化的性能趋势，为实际应用提供数据支撑。
实验选取了六种具有代表性的算法：AdaBoost、逻辑回归（LR）、支持向量机（SVM）、随机森林（FR）、双向长短期记忆网络（BiLSTM）以及我们提出的Our方法。测试数据比例从20%递增至70%，每个比例下均采用相同的数据预处理与评估指标（准确率），确保对比的公平性与科学性。
从整体趋势来看，随着数据比例的增加，大多数算法的性能呈现稳步提升态势。BiLSTM由于其强大的序列建模能力，在多个比例下保持领先，尤其在30%和40%数据比例时达到0.95和0.94的准确率。Our方法表现稳定，在40%数据比例时取得最高准确率0.96，显著优于同期其他算法。传统方法如LR和SVM虽然随着数据量增加有所改善，但整体性能相对较低，尤其在数据比例较低时（20%-30%）准确率不足0.9，表明其对数据量的依赖性较强。
值得注意的是，AdaBoost和FR在不同数据比例下波动较小，显示出较强的鲁棒性，但峰值性能略低于BiLSTM和Our方法。这表明集成学习方法虽然稳定，但在处理复杂模式时可能缺乏深度模型的表达能力。Our方法在60%和70%数据比例时仍保持0.94和0.93的准确率，与BiLSTM相当，但计算效率更高，体现了其在实际部署中的优势。
通过ichartcool生成的交互式图表，我们可以动态调整数据视图，深入分析各算法的细节表现。例如，折线图清晰显示了Our方法在40%比例的突出峰值，而柱状图则对比了不同算法在相同比例下的相对性能。可视化结果不仅验证了定量数据，还帮助识别出算法间的性能差距与收敛特性。
综上所述，Our方法在多数数据比例下表现最优，尤其在中等数据量（40%-50%）时优势明显。结合ichartcool的可视化分析，本研究为算法选择提供了直观依据，未来可进一步扩展至更大数据规模与更多算法对比。
