《表2 混淆矩阵:多级优化BP神经网络的异常流量检测》
将处理过后的数据集随机分布后作为训练集和测试集,然后选择K折交叉验证方法来计算数据的正确率,其中K折交叉验证的参数K取值为10。在异常检测中为解决数据不平衡带来指标评估的不良影响,本文建立混淆矩阵来验证实验模型[15]。样本测试数据中的检测异常流量、检测正常流量分别由矩阵中的TP(True Positive)和TN(True Negative)表示,识别错误的异常流量和正常流量分别由FN(False Negative)、FP(False Positive)表示,具体见表2。
图表编号 | XD0036237800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.05 |
作者 | 陈胜、朱国胜、祁小云、雷龙飞、吴善超、吴梦宇 |
绘制单位 | 湖北大学计算机与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |