《表2 基于子集F1～F7的分类结果》
提示：宽带有限、当前游客访问压缩模式
对上述各特征选择算法确定的特征子集，利用J48，RF，RT，Bayes等方法实现恶意URLs检测，结果如表2所示。
| 图表编号 | XD0044246800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.05.01 |
| 作者 | 张慧、钱丽萍、汪立东、袁辰、张婷 |
| 绘制单位 | 北京建筑大学电气与信息工程学院、北京建筑大学电气与信息工程学院、北京建筑大学电气与信息工程学院、北京建筑大学电气与信息工程学院、北京建筑大学电气与信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 事务子集S1：基于事务子集的Apriori算法改进研究》2020.09.18
- 《表6 回归检验结果：基于对称不确定性和三路交互信息的特征子集选择算法》2021.02.15
- 《表2 30个特征子集的分类得分》2020.10.20
- 《表4 SVM-RFE特征子集分类结果》2020.04.16
- 《表3 Relief特征子集分类结果》2020.04.16
- 《表4 利用多层感知器进行大豆产地分类的训练子集、测试子集、保持子集结果》2020.07.28
- 《表6 基于Pima数据集的机器学习算法在特征子集和全集下5FCV分类性能》2020.03.20
- 《表8 基于Ionosphere数据集的机器学习算法在特征子集和全集下5FCV分类性能》2020.03.20
- 《表7 基于Sonar数据集的机器学习算法在特征子集和全集下5FCV分类性能》2020.03.20
- 《表9 基于WDBC数据集的机器学习算法在特征子集和全集下5FCV分类性能》2020.03.20
- 《表4 训练集上的F1值：基于CMAES集成学习方法的地表水质分类》2020.03.01
- 《表3 10维f1～f7》2019.07.10
- 《表2 K-means和ECKM在八个数据子集上的平均F1值和标准差（mean±SD)》2019.08.24
- 《表2 主成分分析后的结果 (F1～F7)》2019.08.01
- 《表3 主成分特征F1～F7》2019.08.01
- 《表3 宏F1值：基于改进的TF-IDF与隐朴素贝叶斯的情感分类研究》2019.04.30
- 《表6 F1—F7轧辊冷却最优工艺条件》2019.04.01
- 《表2 分类效果矩阵：基于可固定用户自定义特征子集的特征选择新算法》2018.04.01
- 《表6 F1～F7轧机刚度》2019.11.25
- 《表2 F1—F7轧机实际刚度》2018.02.25