(۵-۱)

۵-۳-۲- نرخ مثبت اشتباه^[۱۹۷]

این معیار بیان می‌دارد که الگوریتم با چه نرخی رکوردهایی را که نرمال بوده‌اند اشتباها به عنوان غیرنرمال و حمله معرفی می‌کند(وو و بانژاف ، ۲۰۱۰).

(۵-۲)

با افزایش FPR، میزان هشدارهای اشتباهی که به مسئول سیستم داده می‌شود نیز افزایش می‌یابد. افزایش این هشدارهای اشتباه می‌تواند برای کاربر آزاردهنده باشد، بنابراین اگرچه طبق رابطه ۵-۲، این معیار می‌تواند حاصلی بین صفر و یک داشته باشد، اما مناسب‌ترین مقدار برای آن، مقدار صفر است.

۵-۳-۳- معیار NPV^[198]

این معیار بیان می‌دارد که چه نرخی از رکورد‌هایی که واقعا نرمال بوده‌اند برچسب نرمال زده شده است. این معیار را می‌توانیم از طریق رابطه ۵-۳ بدست آوریم.

(۵-۳)

۵-۳-۴- معیار دقت^[۱۹۹]

معیار دقت یکی از مشهورترین معیار‌ها در زمینه ارزیابی قدرت تفکیک یک الگوریتم به شمار می‌آید. این معیار بیان می‌دارد که از کل داده‌های نرمال و غیرنرمال چند درصد آنها به درستی برچسب خورده‌اند. زمانی که هیچ خطایی در برچسب‌زنی وجود نداشته باشد، این مقدار برابر یک می‌شود و بالعکس زمانی که تمام برچسب‌ها به اشتباه زده شده باشد این مقدار برابر صفر می‌شود (وو و بانژاف ، ۲۰۱۰).

(۵-۴)

۵-۴- تحلیل و ارزیابی نتایج آزمایشات

.
در الگوریتم پیشنهاد شده در این پژوهش، برای پوشش ناحیه غیر خودی،تعداد ۹۰۰ شناساگر در نظر گرفته شده است.
جهت ارزیابی، الگوریتم پیشنهادی با ۴ الگوریتم Naïve Bayes و K-nearest Neighbor وSupport Vector Machine و Danger Theory بهبودیافته (جوانمرد ،۱۳۹۰) مقایسه شده است که نتایج در قالب نمودارهایی در ادامه به تصویر کشیده شده است .
شکل ۵-۱ : مقایسه نرخ تشخیص الگوریتم پیشنهادی با سایر الگوریتم ها
همان طور که در شکل ۵-۱ مشاهده می شود، نرخ تشخیص الگوریتم پیشنهاد شده نسبت به الگوریتم های دیگر بهبود چشم گیری داشته است .
در شکل ۵-۲ نرخ مثبت اشتباه الگوریتم پیشنهاد شده با چهار الگوریتم دیگر مقایسه شده است.
شکل ۵-۲ : مقایسه نرخ مثبت اشتباه الگوریتم پیشنهادی با سایر الگوریتم ها
همان طور که در شکل ۵-۲ می بینید الگوریتم پیشنهادی نسبت به سایر الگوریتم ها از عملکرد بهتری برخوردار است و نرخ مثبت اشتباه پایینی دارد .
در شکل ۵-۳ مقایسه معیار NPV در الگوریتم پیشنهادی با سایر الگوریتم ها به تصویر کشیده شده است.­­