《表2 模型检测结果：基于深度学习的动静结合的漏洞挖掘方法》
提示：宽带有限、当前游客访问压缩模式
统计检测结果中FP、FN、TP、TN的数量，并计算精确率（Precision）、召回率（Recall）和准确率（Accuracy），计算结果如表2所示。
| 图表编号 | XD00211573500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.10 |
| 作者 | 宁馨、易平 |
| 绘制单位 | 上海交通大学、上海交通大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 分类模型的结果：基于深度迁移学习的网络入侵检测》2020.09.05
- 《表2 基于深度学习的缺陷检测方法》2020.11.01
- 《表2 试验分析数据表：基于文本挖掘的计算机漏洞自动检测系统》2018.10.31
- 《表1 预训练模型参数：基于深度学习的难分类样本行人检测方法》2020.10.20
- 《表2 训练模型参数：基于深度学习的难分类样本行人检测方法》2020.10.20
- 《表4 数值模型参数：基于深度学习的海上目标快速检测方法》2020.11.25
- 《表2 现有研究工作小结：基于机器学习的软件漏洞挖掘方法综述》2020.07.01
- 《表1 代码的表征形式：基于机器学习的软件漏洞挖掘方法综述》2020.07.01
- 《表3 各模型检测结果：基于深度学习的安全帽佩戴检测与跟踪》2020.06.01
- 《表3 基于深度学习方法的结节检测模型训练方法结果比较》2020.07.01
- 《表1 测试结果(个)：基于深度学习的混凝土表面缺陷检测方法》2020.06.25
- 《表1 各级测试指标分布：基于混合深度学习模型的网络服务软件漏洞挖掘方法》2020.07.15
- 《表2 挖掘漏洞数目：基于Q-学习算法的有状态网络协议模糊测试方法研究》2020.04.06
- 《表1 模型训练结果：基于深度学习的电器目标检测》2020.01.01
- 《表1 人脸检测结果：基于深度学习的驾驶员打电话行为检测方法》2019.12.05
- 《表1 检测结果：基于深度学习的行人数量统计方法》2019.11.01
- 《表4 上帝类检测结果：一种基于深度学习的上帝类检测方法》2019.05.01
- 《表3 漏洞分布：基于机器学习的SQL注入漏洞挖掘技术的分析与实现》2019.11.10
- 《表4 性能表现：基于机器学习的SQL注入漏洞挖掘技术的分析与实现》2019.11.10
- 《表2 仿真结果：基于机器学习的SQL注入漏洞挖掘技术的分析与实现》2019.11.10