计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2012年
16期
164-166
,共3页
流量分类%朴素贝叶斯%贝叶斯网络增广朴素贝叶斯%实例选择%加权
流量分類%樸素貝葉斯%貝葉斯網絡增廣樸素貝葉斯%實例選擇%加權
류량분류%박소패협사%패협사망락증엄박소패협사%실례선택%가권
NB方法条件独立性假设和BAN方法小训练集难以建模.为此,提出一种基于贝叶斯学习的集成流量分类方法.构造单独的NB和BAN分类器,在此基础上利用验证集得到各分类器的权重,通过加权平均组合各分类器的输出,实现网络流量分类.以Moore数据集为实验数据,并与NB方法和BAN方法相比较,结果表明,该方法具有更高的分类准确率和稳定性.
NB方法條件獨立性假設和BAN方法小訓練集難以建模.為此,提齣一種基于貝葉斯學習的集成流量分類方法.構造單獨的NB和BAN分類器,在此基礎上利用驗證集得到各分類器的權重,通過加權平均組閤各分類器的輸齣,實現網絡流量分類.以Moore數據集為實驗數據,併與NB方法和BAN方法相比較,結果錶明,該方法具有更高的分類準確率和穩定性.
NB방법조건독립성가설화BAN방법소훈련집난이건모.위차,제출일충기우패협사학습적집성류량분류방법.구조단독적NB화BAN분류기,재차기출상이용험증집득도각분류기적권중,통과가권평균조합각분류기적수출,실현망락류량분류.이Moore수거집위실험수거,병여NB방법화BAN방법상비교,결과표명,해방법구유경고적분류준학솔화은정성.
