《表1 算法对比结果：企业关联交易图的离群点挖掘研究》
提示：宽带有限、当前游客访问压缩模式
利用改进的CMGOS算法进行离群点检测，使用精确率、召回率和AUC值来评价模型效果，分别与r PCA、OneClassSVM和CMGOS模型进行对比，结果如表1所示。
| 图表编号 | XD0049991100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.04.01 |
| 作者 | 赵晓永、赵熙岑 |
| 绘制单位 | 北京信息科技大学信息管理学院、北京信息科技大学信息管理学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 分配结果：异构分布式环境中的并行离群点检测算法》2020.10.25
- 《表1 符号列表：异构分布式环境中的并行离群点检测算法》2020.10.25
- 《表5 回归结果：基于改进的K-means算法的关联规则数据挖掘研究》2021.01.01
- 《表1 算法判断结果：离群点算法和用电信息采集数据在反窃电中的应用》2020.10.01
- 《表3 算法准确率对比2：一种基于邻域系统密度差异度量的离群点检测算法》2020.07.05
- 《表1 算法准确率对比1：一种基于邻域系统密度差异度量的离群点检测算法》2020.07.05
- 《表2 数据集情况：基于主动学习的离群点集成挖掘方法研究》2020.06.15
- 《表3 对比测试结果：面向时序图的K-truss社区搜索算法研究》2020.09.01
- 《表4 关联规则3：基于Hadoop的多维关联规则挖掘算法研究及应用》2019.12.01
- 《表1 离群点去除性能表：基于标记的多状态离群点去除算法》2020.01.01
- 《表3 部分挖掘结果示例：基于频繁项集挖掘的零售医药企业药品关联研究》2019.12.01
- 《表1 客户交易记录：基于频繁项集挖掘的零售医药企业药品关联研究》2019.12.01
- 《表1 三种算法离群点检测性能对比结果》2019.10.20
- 《表2 不同τ下算法性能：基于多示例学习的局部离群点改进算法》2019.09.15
- 《表3 原始数据表：基于多示例学习的局部离群点改进算法》2019.09.15
- 《表3 挖掘结果对比：无线城市社团发现的研究——在Spark上利用改进关联规则实现社团发现的算法》2019.09.01
- 《表3 频繁1项集L1：一种改进的关联规则挖掘算法研究》2018.06.20
- 《表2 事务集：一种改进的关联规则挖掘算法研究》2018.06.20
- 《表1 关联挖掘结果与传统算法对比结果》2018.10.01
- 《表1 实验结果对比表：对利用属性特性挖掘粒关联规则算法的改进》2018.09.25