《表1 基于不同特征选择算法构建RF分类预测模型实验结果》

  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

《基于特征选择与集成学习的钓鱼网站检测方法》

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: 表中 ± 前面和后面的数据分别表示 10 次测试结果的平均分类精度和方差

由表1可以看出，本文FSIGR特征选择方法分类精度为97.341%，召回率为97.3%，平均绝对误差为0.048，均优于其他特征选择方法。其中，文献[21]算法的分类精度为96.834%，召回率为96.8%，平均绝对误差为0.048 7，分类模型性能明显低于FSIGR方法的分类模型。CFS、GR和RF特征选择方法在特征降维方面表现较优，选择后的特征子集大小分别为9、11和13，但分类精度较低。WFS特征选择方法两种搜索策略选择的特征子集大小分别为28和29，在特征降维方面性能低于其他方法，分类精度分别为97.205%和97.286%，优于CFS等方法，但与本文方法相比综合性能较差且时间代价较大。实验结果表明，本文FSIGR特征选择方法能够选出特征维度较低、分类性能最优的特征子集，满足实际应用需求，证明了其方法的有效性。