代價敏感神經網絡在有效警告中分類應用
大小：0.68 MB 人氣： 2017-11-20 需要積分：0
靜態(tài)分析工具可以幫助開發(fā)人員在項目編碼初期定位可能存在缺陷的代碼。然而有研究表明，此類工具往往會報告大量的警告，且其中大部分為誤報警告。為了增強靜態(tài)分析工具的可用性，研究者們通常采用統(tǒng)計和機器學習方法將警告分類為有效警告和誤報警告。然而，現有警告分類方法并未考慮大量誤報警告造成警告數據類不平衡問題，以及誤分類代價不等的問題。鑒于此，分別將BP神經網絡和基于過采樣、閾值操作、欠采樣方法的代價敏感神經網絡應用到有效警告的分類中。實驗結果對比發(fā)現，相比BP神經網絡，基于代價敏感神經網絡方法在有效警告查全率方面平均提高了44. 07%，且當有效警告被誤分類的代價高于一定值時，代價敏感分類方法能得到更低的分類代價。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
代價敏感神經網絡在有效警告中分類應用下載
相關電子資料下載
- 神經網絡預測模型的構建方法 109
- CNN的定義和優(yōu)勢 112
- 基于CNN的網絡入侵檢測系統(tǒng)設計 105
- 數據分析有哪些分析方法 82
- 數據分析與數據挖掘的區(qū)別 55
- rnn是遞歸神經網絡還是循環(huán)神經網絡 163
- rnn是什么神經網絡模型 162
- rnn是什么神經網絡 174
- 遞歸神經網絡結構形式主要分為 129
- 簡述遞歸神經網絡的計算過程 135