《表2 不同分类算法基于FSIGR特征选择算法构建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2可知，本文方法的分类精度为97.341%，分类召回率为97.3%，平均绝对误差为0.048，特征子集维数为23，综合分类性能明显优于C4.5、REPTree和Naive Bayes算法。与KNN算法相比，虽然平均绝对误差高于KNN的0.328，但其综合性能优于KNN算法。由实验结果可知，本文提出的钓鱼网站检测方法分类性能明显优于C4.5、KNN、REPTree、Naive Bayes算法的分类性能，验证了本文方法的有效性。