使用嵌套交叉验证方案的机器学习方法,模型了高速列车系统在第五代(5g)移动通信网络中的性能,以优化手 over、资源分配和提高移动性,具有显著结果。
本文提出了一种针对 unsw-nb15 数据集的机器学习分类器的数据驱动设计和性能评估方法,使用 balanced bagging、extreme gradient boosting、hellinger distance decision tree 等集成方法来解决不平衡数据问题,提出了两种新的算法来解决类重叠问题,并提高了测试数据的分类性能。
使用嵌套交叉验证方案的机器学习方法,模型了高速列车系统在第五代(5g)移动通信网络中的性能,以优化手 over、资源分配和提高移动性,具有显著结果。
本文提出了一种针对 unsw-nb15 数据集的机器学习分类器的数据驱动设计和性能评估方法,使用 balanced bagging、extreme gradient boosting、hellinger distance decision tree 等集成方法来解决不平衡数据问题,提出了两种新的算法来解决类重叠问题,并提高了测试数据的分类性能。