《表4 实验二结果：基于集成学习的DoS攻击流量检测技术》
提示：宽带有限、当前游客访问压缩模式
该实验对比采用不同机器学习算法的F1分数，结果如表4所示。
| 图表编号 | XD0096742600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.10 |
| 作者 | 马泽文、刘洋、徐洪平、易航 |
| 绘制单位 | 北京宇航系统工程研究所、北京宇航系统工程研究所、北京宇航系统工程研究所、北京宇航系统工程研究所 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《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 基于信息熵的攻击检测算法实验结果》2021.02.01
- 《表4 基于半监督集成的异常流量检测》2020.11.01
- 《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 未知攻击的结果：基于机器学习的入侵检测技术研究与实现》2020.04.01
- 《表1 已知攻击的结果：基于机器学习的入侵检测技术研究与实现》2020.04.01
- 《表2 实验结果：基于词向量的SVM集成学习社交网络抑郁倾向检测方法》2020.02.10
- 《表5 基于Bagging的两两集成学习方法的实验结果》2019.12.15
- 《表1 实验结果统计：一种基于集成学习的城市新增建设用地快速提取方法》2019.09.30
- 《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4 测试集设置：一种基于集成学习的钓鱼网站检测方法》2019.09.15
- 《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》2019.08.01
- 《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1 常见的攻击模型：基于深度自动编码器的托攻击集成检测方法》2019.01.01
- 《表1 正交表：基于田口集成学习的最佳交通流量预测模型》2019.12.16