《表1 分类效果比较：基于RAKE算法的钓鱼网站检测方法》
提示：宽带有限、当前游客访问压缩模式
本文提出的语义特征与常用特征的分类效果比较如表1所示。
| 图表编号 | XD00105308800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.01 |
| 作者 | 任明霞、刘军清、宋锦、陈鹏 |
| 绘制单位 | 三峡大学计算机与信息学院、三峡大学计算机与信息学院、三峡大学计算机与信息学院、三峡大学计算机与信息学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 不同算法比较/%：基于组合特征和级联分类器的防震锤检测算法》2020.05.16
- 《表7 钓鱼网站检测方法及研究热点发展脉络表》2020.08.01
- 《表6 钓鱼网站基础检测方法汇总表》2020.08.01
- 《表2 文献计量工具表：钓鱼网站检测研究现状与发展趋势的计量分析》2020.08.01
- 《表1 文献检索策略表：钓鱼网站检测研究现状与发展趋势的计量分析》2020.08.01
- 《表3 关键词排名表：钓鱼网站检测研究现状与发展趋势的计量分析》2020.08.01
- 《表1 算法的精确性比较：基于Spark的海量数据冗余检测方法》2020.06.01
- 《表1 识别准确率比较：基于Bagging-PNN算法的树叶分类方法优化》2020.08.25
- 《表3 分类器效果对比：基于模糊SVM模型的入侵检测分类算法》2020.02.01
- 《表1 基元数量统计表：基于URL语言特征的钓鱼网站检测算法》2019.12.15
- 《表2 敏感词统计表：基于URL语言特征的钓鱼网站检测算法》2019.12.15
- 《表3 信息增益值：基于URL语言特征的钓鱼网站检测算法》2019.12.15
- 《表2 候选分类方法介绍：一种基于集成学习的钓鱼网站检测方法》2019.09.15
- 《表5 分类混淆矩阵：一种基于集成学习的钓鱼网站检测方法》2019.09.15
- 《表4 测试集设置：一种基于集成学习的钓鱼网站检测方法》2019.09.15
- 《表3 训练集设置：一种基于集成学习的钓鱼网站检测方法》2019.09.15
- 《表1 URL特征：一种基于集成学习的钓鱼网站检测方法》2019.09.15
- 《表3 分类准确率比较：基于遗传算法的神经网络集成方法》2019.04.01
- 《表4 其他算法效果对比：基于卷积神经网络的主变压器外观缺陷检测方法》2019.04.25
- 《表1 算法定量比较：一种改进的基于ViBe的运动目标检测方法》2018.04.01