《表1 基本原则：基于Bagging异质集成学习的窃电检测》
提示：宽带有限、当前游客访问压缩模式
为了衡量学习器的好坏，在分类问题中常用表1所示的混淆矩阵。
| 图表编号 | XD00187017400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.01.25 |
| 作者 | 游文霞、申坤、杨楠、李清清、吴永华、李文武 |
| 绘制单位 | 三峡大学电气与新能源学院、三峡大学电气与新能源学院、三峡大学电气与新能源学院、三峡大学电气与新能源学院、国网湖北省电力有限公司孝感供电公司、三峡大学电气与新能源学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 基本资料：一种基于SMOTE和XGBoost的窃电检测方案》2020.11.20
- 《表1 实验结果：一种基于stacking集成学习的DGA域名检测方法》2020.12.28
- 《表2 基本统计特征：一种基于集成学习的用户基础属性预测方法》2020.12.01
- 《表3 评价指标：基于Bagging神经网络集成的风功率预测》2020.04.25
- 《表1 基本硬件配置表：基于融合优化算法和集成学习的数字识别研究》2020.04.01
- 《表1 训练数据：基于词向量的SVM集成学习社交网络抑郁倾向检测方法》2020.02.10
- 《表5 基于Bagging的两两集成学习方法的实验结果》2019.12.15
- 《表1 训练样本情况表：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《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5 实验结果对比：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表4 实验对比表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表3 实验对比表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表2 配置信息表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表3 物性关联式a)：基于Bagging神经网络集成的燃料电池性能预测方法》2019.04.20
- 《表1 几何参数：基于Bagging神经网络集成的燃料电池性能预测方法》2019.04.20
- 《表1 实验数据明细：基于深度学习的窃电行为检测方法》2019.02.25