29、基于联邦学习的实时多媒体任务用户调度与边缘协同缓存策略

基于联邦学习的实时多媒体任务用户调度与边缘协同缓存策略

一、联邦学习用户调度实验

1.1 实验模型介绍

为了验证智能调度算法在不同模型中的性能，实验采用了几种机器学习模型进行对比验证。
- 朴素贝叶斯分类 ：基于贝叶斯理论的NB算法，是一种基于概率统计的分类方法，常用于文本分类评估。获取样本数据的先验概率和条件概率后，可根据贝叶斯公式计算后验概率，后验概率最大的类别即为样本的预测类别。
- 支持向量机 ：强大的分类和回归方法，基于结构风险最小化统计原则，通过最大化软间隔获得正负类之间的最优划分超平面。
- 决策树 ：可用于分类和回归问题，具有泛化能力高、构建速度快、参数少、易于理解等优点，至今仍是机器学习领域的研究热点。
- 随机森林 ：关注决策树的集成学习，由Breiman在2001年提出。该算法需要模拟和迭代，通过随机使用变量和数据生成多个分类树，然后聚合分类树的结果。

1.2 评估指标

实验使用准确率（Precision，P）、召回率（Recall，R）、综合评估指标（F1 - score）和ROC曲线来评估分类器算法的性能。
- 准确率（Precision） ：$Precision = \frac{TP}{TP + FP}$
- 召回率（Recall） ：$Recall = \frac{TP}{TP + FN}$
- F1 - sco