《表1 使用5倍交叉验证程序的不同深度学习配置的平均准确度和F1值》
提示：宽带有限、当前游客访问压缩模式
根据结果可知，几乎所有的检测都达到了95%以上的准确度，其中使用反向截断滑动窗口算法的CNN-LSTM-TB具有最佳的F1分数和验证数据的最佳准确度。
| 图表编号 | XD00163285500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.02.20 |
| 作者 | 先正锴、甘刚 |
| 绘制单位 | 成都信息工程大学网络空间安全学院、成都信息工程大学网络空间安全学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 各模型作四折交叉验证的各类平均F1分数》2020.12.05
- 《表4 各分类器在使用10折交叉验证法和随机过采样时的准确率》2020.08.10
- 《表3 不同分类器使用十折交叉验证的平均识别率》2020.11.30
- 《表4 交叉验证的准确率：FCNN深度学习模型及其在动物语音识别中的应用》2021.01.01
- 《表1 5种不同深度学习算法分析的诊断准确度》2020.06.25
- 《表4 基于5折交叉验证的不同算法测试集准确率》2020.05.01
- 《表5 不同模型的准确率、召回率和F1值对比》2020.07.10
- 《表3 验证集基于深度学习的分类准确率(%)》2020.08.20
- 《表2 交叉验证准确率：基于集成学习的测井岩性识别模型的构建》2020.03.01
- 《表3 不同模型的准确率和权重F1值》2020.02.01
- 《表4 5倍交叉验证实验》2019.07.01
- 《表2 三类UCI数据使用不同方法的10折交叉平均准确率 (%) 及方差》2019.06.25
- 《表5 10倍交叉验证的OK插值结果》2019.06.25
- 《表4 三种方法在RPI488数据集5倍交叉验证的结果》2019.08.01
- 《表3 三种方法在RPI369数据集5倍交叉验证的结果》2019.08.01
- 《表3 5种机器学习模型的NSL-KDD训练数据集的5倍交叉验证实验》2019.07.20
- 《表5 LR和AB-LR分类器测试集的10折交叉验证精确率、召回率和f1得分的矩阵》2019.04.01
- 《表1 1 HMM方法和本文所使用的PSL多层次分析方法在各层的平均F1值对比》2019.02.01
- 《表2 五折交叉验证后的平均灵敏度和准确率》2019.02.01
- 《表2 不同分类模型下十折交叉验证F1值比较》2019.11.05