《表4 特征组合对于分类的效果影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于特征组合的Powershell恶意代码检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

经实验表明，随机森林的特征组合对于FC-PSDS方法检测效果的影响如图6和表4所示，图表中的ACC、TPR、FPR、PRE分别代表4.3评估指标中的准确率、召回率、假阳率、精确率，由于假阳率的值相比其他的值过小，在图6中仅显示ACC、TPR、PRE，图表中的RF代表经过随机森林特征组合。实验结果显示，基于随机森林的特征组合方法对于模型检测的效果有正向影响。与未使用随机森林做特征组合的对照实验的结果数据说明，本文利用特征组合方法获得的新特征组合相比原始特征可以更好的还原对原始数据的表达。原因在于，在原始数据集上使用简单机器学习算法难以捕捉到原始数据的有效信息，同时浅层的机器学习算法在数据规模和复杂度较大时，对数据的学习能力有限。因此，通过随机森林特征组合自动从原始数据中发现有效的特征组合，可以弥补原始数据的人工提取特征经验不足问题，同时随机森林的多棵树相比单决策树的表达能力更强，可以更好地生成表征原始数据的特征组合，再通过分类算法进行学习和分类，相较未经处理直接使用分类网络的方式可以更好地拟合原始数据并学习其内在规律。