《表5 实验结果对比：基于集成学习的安卓恶意程序检测技术》
提示：宽带有限、当前游客访问压缩模式
为了评估本文方法的有效性，利用自己构建的模型并统一使用我们的数据集进行试验，用于训练的样本都将从测试集中剔除.实验结果如表5所示.
| 图表编号 | XD0076807500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 李孔渤、王春东 |
| 绘制单位 | 天津理工大学计算机科学与工程学院、天津理工大学计算机科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 基于深度学习的Android恶意软件检测工作效果互相对比统计表(%)》2020.09.01
- 《表1 实验结果：一种基于stacking集成学习的DGA域名检测方法》2020.12.28
- 《表1 实验结果：基于程序双维度特征的恶意程序相似性分析》2021.01.01
- 《表6 实验结果：基于机器学习的恶意命令检测方法》2020.11.10
- 《表7 各分类器实验结果：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表6 分类结果混淆矩阵：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表3 五种分类算法对比：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表4 实验数据集切分：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表2 实验数据：基于深度学习的工业恶意流量检测》2019.12.01
- 《表2 HMM模型评估：一种通用的恶意域名检测集成学习方法》2019.09.25
- 《表3 算法准确率比较：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表1 训练样本情况表：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 模型测试结果：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表4 实验二结果：基于集成学习的DoS攻击流量检测技术》2019.09.10
- 《表3 实验一结果：基于集成学习的DoS攻击流量检测技术》2019.09.10
- 《表5 应用程序分组结果：一种基于元信息的Android恶意软件检测方法》2019.10.01
- 《表4 实验对比表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表3 实验对比表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表2 配置信息表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表4 对比测试结果：基于操作码的安卓恶意代码多粒度快速检测方法》2019.12.15