As evident from Table 7, when compa

As evident from Table 7, when compared to LGP, MEP obtained the best values for TPR and FPR for Normal and DoS and good performance for the other classes. MEP required only 30 and 20 generations for the Normal and U2R types respectively.
MEP performance is illustrated in Figures 1 and 2. The classification accuracy for the best results obtained for training data, average of results obtained for the test data using the best trained function and the best results obtained for the test data are depicted. Figure 1(a) corresponds to Normal, Figure 1(b) corresponds to Probe, Figure 1(c) corresponds to DOS, Figure 1(d) corresponds to U2R and Figure 1(e) corresponds to R2L class respectively.
In Figure 2, the average of classification accuracies for the results obtained for training data and for the results obtained for the test data are depicted. Figure 2(a) corresponds to Normal, Figure 2(b) corresponds to Probe, Figure 2(c) corresponds DOS, Figure 2(d) corresponds to U2R and Figure 2(e) corresponds to R2L class respectively.
Figures 3 - 7 illustrate the growth in the program codes for LGP during the 120 tournaments. The best and average code length is depicted during the evolutionary learning.

Kết quả (Việt) 1:

Như là điều hiển nhiên từ bảng 7, khi so sánh với LGP, MEP thu được giá trị tốt nhất cho TPR và FPR cho bình thường và DoS và hiệu suất tốt cho các lớp khác. MEP yêu cầu chỉ 30 và 20 thế hệ cho loại bình thường và U2R tương ứng.Hiệu suất MEP được minh họa trong hình 1 và 2. Sự phân loại chính xác cho kết quả tốt nhất thu được cho dữ liệu đào tạo, Trung bình của kết quả thu được cho các dữ liệu thử nghiệm bằng cách sử dụng các chức năng được đào tạo tốt nhất và kết quả tốt nhất thu được cho các dữ liệu thử nghiệm được mô tả. Con số 1(a) tương ứng với bình thường, con số 1(b) tương ứng với thăm dò, con số 1(c) tương ứng với DOS, con số 1(d) tương ứng với U2R và con số 1(e) tương ứng với R2L lớp tương ứng.Trong hình 2, với mức trung bình của phân loại phàm cho kết quả thu được cho đào tạo dữ liệu và cho kết quả thu được cho các dữ liệu thử nghiệm được mô tả. Con số 2(a) tương ứng với bình thường, con số 2(b) tương ứng với thăm dò, con số 2(c) tương ứng DOS, con số 2(d) tương ứng với U2R và con số 2(e) tương ứng với R2L lớp tương ứng.Con số 3-7 minh họa cho sự tăng trưởng trong các chương trình mã cho LGP trong giải đấu 120. Chiều dài tốt nhất và trung bình là mã được mô tả trong việc học tiến hóa.

Kết quả (Việt) 2:

Thể hiện rõ qua bảng 7, khi so sánh với LGP, MEP thu được các giá trị tốt nhất cho TPR và FPR cho Bình thường và DoS và hiệu suất tốt cho các lớp khác. MEP yêu cầu chỉ có 30 và 20 thế hệ cho Bình thường và các loại U2R tương ứng.
Hiệu suất MEP được minh họa trong hình 1 và 2. Độ chính xác phân loại cho kết quả tốt nhất thu được cho dữ liệu huấn luyện, trung bình các kết quả thu được cho các dữ liệu thử nghiệm bằng cách sử dụng chức năng đào tạo tốt nhất và kết quả tốt nhất thu được đối với các dữ liệu thử nghiệm được mô tả. Hình 1 (a) tương ứng với bình thường, con số 1 (b) tương ứng với Probe, con số 1 (c) tương ứng với hệ điều hành DOS, hình 1 (d) tương ứng với U2R và Hình 1 (e) tương ứng với R2L lớp tương ứng.
Trong hình 2 , với mức trung bình của phân loại độ chính xác về kết quả thu được cho dữ liệu huấn luyện và cho các kết quả thu được cho các dữ liệu thử nghiệm được mô tả. Hình 2 (a) tương ứng với Normal, Hình 2 (b) tương ứng với Probe, Hình 2 (c) tương ứng với hệ điều hành DOS, Hình 2 (d) tương ứng với U2R và Hình 2 (e) tương ứng với R2L lớp tương ứng.
Hình 3-7 minh họa cho sự tăng trưởng trong các mã chương trình cho LGP trong suốt 120 giải đấu. Chiều dài mã tốt nhất và trung bình được mô tả trong học tập tiến hóa.