《表9 Derby数据集结果》

  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

《基于深度学习的安全缺陷报告预测方法实证研究》

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

从表7～表10我们可以发现，在4个小规模数据集中，Nnsbr:Nsbr比例越小（即不均衡程度越低），性能指标Recall的取值越大；但是Precision指标的取值却恰恰相反，并最终造成F1-score指标的取值也呈减小趋势.与原始数据集（未进行采样）执行结果（即表5）相比，“欠采样”方法对4个小规模数据集的性能贡献非常有限，只有在数据集Wicket上对F1-score有所提高.对于大规模数据集OpenStack，对比表11和表5（最后一行）数据可以发现，所采用的“过采样”方法可以明显提高F1-score指标取值，尤其在模型TextCNN中，F1-score指标的最大取值可以从原始数据集中的0.410提高到0.681（复制2倍正样本情况下），即提高了66.10%；但是在正样本复制3倍的情况下，F1-score指标的取值则呈下降趋势.此外，在4个小规模数据集中，“欠采样”方法对TextCNN和Attention+TextRNN模型的影响类似，所得到的性能指标值非常接近（例如数据集Ambari中，在Nnsbr:Nsbr=10:1的情况下，模型TextCNN和Attention+TextRNN所得的F1-score值都为0.611）.而在大规模数据集OpenStack中，对训练样本进行“过采样”处理后，模型TextCNN的整体表现要优于Attention+TextRNN.