پیوسته
شماری از ارتباطات که سرویس ها شبیه به هم است و در ۲ ثانیه قبل وجود داشته اند.
Srv_count
ارتباطاتی که سرویسهایشان یکی است.
پیوسته
درصدی از ارتباطات که دارای خطا SYN است
Srv_serror_rate
پیوسته
درصدی از ارتباطات که دارای خطا REJ است.
Srv_rerror_rate
پیوسته
درصدی ازارتباطات که میزبان متفاوت به هم دارند
Srv_diff_host_rate
بیشترین زمان صرف پیش پردازش داده می شود در قسمت مربوط به ارزیابی برای هر الگوریتم مراحل پیش پردازش شرح داده شده است. الگوریتم مربوط به هر مدل در نرم افزار Rapid miner موجود است. در شکلهای ۳-۲ و۳-۳ و ۳-۴ و ۳-۵ و ۳-۶ و ۳-۷ مدلسازی با نرم افزار نشان داده شده است در صورت لزوم میتوان توابع و ویژگی ها نیز به نرم افزار افزود.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
شکل ۳-۲:مدلسازی شبکهعصبی با نرم افزار Rapidminer
شکل۳-۳: مدلسازی مدل بیزین با نرم افزار Rapidminer
شکل۳-۴: مدلسازی درخت تصمیم با نرم افزار Rapidminer
شکل ۳-۵: مدلسازی مدل قانون محور با نرم افزار Rapidminer
شکل ۳-۶: مدلسازی مدل ماشین بردار پشتیبان با نرم افزار Rapidminer
شکل ۳-۷: مدلسازی الگوریتم مدل کاهل با نرم افزار Rapidminer
بخش مربوط به ارزیابی نیز در شکل ۳-۸ آمده است که دارای پارامترهای بسیار متنوع است که میتوان با انتخاب هر کدام در بخش مدلسازی نتیجه پارامتر را مشاهده نمود.
شکل ۳-۸: نمونه ای از خروجی نرمافزار Rapidminer با پارامترهای مختلف ارزیابی
فصل چهارم
محاسبات و یافته ها
در این بخش تمامی الگوریتمهای مربوط به مدلهای مختلف داده کاوی شبیهسازی شده و نتایج بدست آمده ازارزیابی این مدلها بر اساس پارامترهای مختلف و همچنین ماتریس confusion نشان داده شده است.
۴-۱ الگوریتمهای مدل بیزین و ارزیابی آنها
در این بخش تمام الگوریتمهای Kernel naive Baysian، Naive Baysian، Waode، Aode،
Aode، Aodesr، Bayesenet، HNB، Dmnbtext و BaysianLogic Regression در مدل بیزین را با بهره گرفتن از نرمافزار شبیهسازی و مورد ارزیابی نموده و نتایج مربوط به ارزیابی در جدول ۴-۱ تا ۴-۱۸ آمده است.
- الگوریتم Kernel naive Baysian
این الگوریتم از نظریه احتمالی بیزن ساده با چگالی هسته استفاده می کند. تابع وزن مورد استفاده در هسته از تکنیکهای تخمین بدون پارامتر استفاده می کند. هسته به منظور برآورد از متغیرهای تصادفی استفاده می کند. تخمین بدون پارامتر هیچ ساختار ثابت ندارد و هدف رسیدن به یک برآورد است. برای شبیهسازی این الگوریتم از مجموعه داده نوع سوم استفاده مینماییم.
جدول ۴-۲: ماتریس Confusion الگوریتم Kernel naive Baysian
