《表6 不同分类器下的准确率》

  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

《基于多特征融合的恶意代码分类算法》

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

本文还与部分机器学习算法包括:Bagging＿knn、多层感知器（Multi-Layer Perception，MLP）、决策树（Tree）、Logist（Logistic回归）进行分类比较，结果如表6所示。从表6中可以看出，随机森林在本文提出的方法上相比大多数机器学习算法而言，具有更高的准确度和多数据处理能力。本文还将实现的分类器进行测试训练，其中训练样本和测试样本的比例为7∶3，最后得到的分类器对9类样本进行分类时能达到85%的准确率，表明本文提出的方法是可行的。在分类准确率为85%的情况下，对单一的样本检测情况进行了研究，结果如表7所示，可以看到，一般样本的准确率都在80%左右，其中木马类样本分类准确率一般都在80%以下，证明木马类样本存在较高的相似度，容易产生混淆；但非木马类样本的准确率相对较高，和其他类样本不易产生混淆，在本文提出的方法下也更易区分。