《表1 UCI数据集：基于改进Border-SMOTE的不平衡数据工业控制系统入侵检测》

  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

《基于改进Border-SMOTE的不平衡数据工业控制系统入侵检测》

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

表2表示各种过采样方法的AUC值。由表2可知，基于NB分类器，在不同过采样方法中，SLSMOTE和Border-SMOTE在数据集Ecoli、Car Evaluation上的效果比较接近；IBorder-SMOTE在4个数据集上均有较高的AUC值。基于分类器KNN，除数据集Ecoli外，SLSMOTE的AUC值有所下降，而Border-SMOTE和IBorder-SMOTE的效果比较相近。在以SVM作为分类器的基础上，IBorder-SMOTE的分类效果均取得较好的分类精度，尤其是在Car Evaluation上，SVM的分类准确率高达96.82%，远远高于SMOTE、Border-SMOTE、SLSMOTE的采样处理分类结果，也优于其他分类器。在4个不平衡数据集上的AUC值显示，本文提出的IBorder-SMOTE相比传统的SMOTE、Border-SMOTE、SLSMOTE，在不平衡率从8.6到28.1的测试数据集上都有更好的分类性能。IBorder-SMOTE可以有效降低不平衡数据对分类器性能的影响。