《表2 本文方法的实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多元特征的微博被劫持账户检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为验证不同分类器对本文方法性能的影响，分别选用支持向量机（support vector machine，SVM)[30]、决策树[31]、随机森林[32]和贝叶斯网络[33]作为分类器，在上文所述实验样本上测试本文方法的精确率、召回率和F1-score，结果如表2。如表2所示，分别采用决策树和SVM作为分类器时，检测方法的精确率相近，均能达到97.5%；采用决策树作为分类器时，检测方法的召回率和F1-score均最高，分别为97.2%和0.970；采用贝叶斯网络和随机森林作为分类器时，检测方法的精确率、召回率和F1-score均较低。总的来说，采用决策树分类器时，本文方法对被劫持账户的检测结果更理想，能检测出更多的被劫持账户并具有更低的误检率。