-
基于gcForest算法的惡意URL檢測(cè)
摘要:惡意URL(Malicious URLs)是網(wǎng)絡(luò)犯罪的重要途徑,因此對(duì)惡意URL實(shí)施有效檢測(cè)是保障網(wǎng)絡(luò)安全的前提和關(guān)鍵。近年來(lái),機(jī)器學(xué)習(xí)的迅猛發(fā)展為惡意URL檢測(cè)提供了新的思路。鑒于此,在研究惡意URL以及對(duì)機(jī)器學(xué)習(xí)算法實(shí)驗(yàn)的基礎(chǔ)上,得出基于gcForest算法的機(jī)器學(xué)習(xí)模型能夠?qū)崿F(xiàn)對(duì)惡意URL的精確分類檢測(cè),其精確度達(dá)到99.53%,遠(yuǎn)高于k近鄰分類算法(k-NearestNeighbor)和隨機(jī)森林算法(RandomForest)等其他傳統(tǒng)算法模型,具有較好的檢測(cè)效果。
-
機(jī)器學(xué)習(xí)的特征工程是什么?3個(gè)機(jī)器學(xué)習(xí)監(jiān)督學(xué)習(xí)方法介紹!
以下內(nèi)容中，小編將對(duì)機(jī)器學(xué)習(xí)的相關(guān)內(nèi)容進(jìn)行著重介紹和闡述，希望本文能幫您增進(jìn)對(duì)機(jī)器學(xué)習(xí)的了解，和小編一起來(lái)看看吧。
-
個(gè)人 O2O 優(yōu)惠券預(yù)測(cè)分析
摘 要 ：為了建立更加完善的特征體系和優(yōu)化預(yù)測(cè)模型，提出優(yōu)化特征工程體系，增加特征值數(shù)量，并改進(jìn)傳統(tǒng)邏輯回歸預(yù)測(cè)模型，使用 GBDT+ 邏輯回歸的組合模型及 XGBoost+ 邏輯回歸的組合模型達(dá)到提高預(yù)測(cè)精度、提升模型預(yù)測(cè)能力的目的。實(shí)驗(yàn)結(jié)果證明，通過(guò)優(yōu)化特征工程體系和改進(jìn)預(yù)測(cè)模型解決 O2O 優(yōu)惠券發(fā)放這種預(yù)測(cè)方式可以更準(zhǔn)確地預(yù)測(cè)消費(fèi)者的消費(fèi)行為，為優(yōu)惠券的個(gè)性化投放提供可靠的決策支持。
