《表2 一级指标：基于特征选择和超参数优化的恐怖袭击组织预测方法》
提示：宽带有限、当前游客访问压缩模式
为了更好地评价恐怖袭击组织预测模型在多数类和少数类样本上的性能，如表2所示将43 335个样本划分为多个区间。
| 图表编号 | XD00197699200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.10 |
| 作者 | 肖跃雷、张云娇 |
| 绘制单位 | 西安邮电大学现代邮政学院、陕西省信息化工程研究院、西安邮电大学现代邮政学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 国家恐怖袭击事件生存分析影响指标描述》2020.12.05
- 《表2 针对外交机构的恐怖袭击的袭击手段及伤亡数量》2021.01.15
- 《表3 各分类器在特征选择和超参数优化前后的准确率》2020.08.10
- 《表1 基本资料：基于特征选择和超参数优化的恐怖袭击组织预测方法》2020.08.10
- 《表1 恐怖袭击事件初始评估指标》2020.12.30
- 《表1 训练参数选择：基于数据集特征的卷积网络代价函数优化方法》2020.07.15
- 《表1 各分类方法正确率：基于改进SVM的恐怖袭击事件分类研究》2020.06.15
- 《表3 一级指标判断表：基于AHP-TOPSIS方法的造纸企业绿色供应商评价与选择研究》2020.02.01
- 《表2 算法寻优性能对比：基于改进蝗虫优化算法的特征选择方法》2020.01.30
- 《表3 实验数据集：基于改进蝗虫优化算法的特征选择方法》2020.01.30
- 《表1 基准测试函数：基于改进蝗虫优化算法的特征选择方法》2020.01.30
- 《表7 三阶段的指标变化：全球恐怖组织合作特征分析——基于社会网络分析的视角》2020.02.01
- 《表6 三阶段的规模变化：全球恐怖组织合作特征分析——基于社会网络分析的视角》2020.02.01
- 《表4 主要派系分析：全球恐怖组织合作特征分析——基于社会网络分析的视角》2020.02.01
- 《表1 运行参数：两阶段特征选择的冷水机组能耗预测方法》2019.10.01
- 《表2 算法性能指标：基于改进Gabor优化选择的布匹瑕疵检测方法》2019.12.15
- 《表1 实验数据集：基于特征选择的软件缺陷预测方法》2019.10.25
- 《表3 标签卡示例：基于行为主义心理学的驾车冲撞恐怖袭击标签预警体系》2019.10.05
- 《表2 特征值排序：采用深度置信网络的恐怖袭击事件量化分级研究》2019.07.15
- 《表5 地铁车站恐怖袭击安全评价指标体系》2019.04.01