《表6 Moore＿sets数据集的不同应用类别在初始训练集和在线测试集上的样本数量》

  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

《使用自组织增量径向基网络的在线网络流量分类算法》

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

注：（0）、（1)～(6）中数字为对该应用类别的编号。

对比OSOINN-RBF算法在不同标记比例训练样本下的分类准确率，可以看出，训练初期样本数量较少时，标记比例越高，算法的分类准确率越高；由于OSOINN-RBF算法具有在线增量学习能力，当样本数量达到10 000左右时，分类性能基本持平，不再受样本标记比例影响。实验结果表明，OS-OINN-RBF算法在样本标记数量较少的情况下，通过在线学习依然可以取得很好的分类性能，这也降低了样本标记的成本，适合半监督学习算法的实现。3.2.3检测未知分类的能力为测试网络中出现新的流量类别时算法的分类性能，在Moore数据集选择部分样本数据组成Moore＿sets数据集，设置初始数据集含有5种类型的应用类别，在线检测数据集中新增两种未知应用类别，数据集具体描述见表6。