DGA系列之朴素贝叶斯（二）

这篇博客是《web安全机器学习入门》DGA域名检测朴素贝叶斯的代码进行复现与解释。

实验步骤如下

1.数据搜集和数据清洗
2.特征化
3.训练样本
4.效果验证

数据搜集和数据清洗

返回如下结果

load_dga

特征化、训练与验证

使用三折交叉验证法，输出结果

命中率还不错率还不错

想深入了解三折交叉验证法得话，看我另一篇Blog

其中，对某些代码与函数解释

初始化变量y1,y2,y3

concatenate 转换成数组

核心处理特征函数

countVectorizer 是用来处理N-Gram特征的函数

countVectorizer参数介绍：每2个切割，单词读取错误忽略，正则匹配所有字符，频数起码出现1次
然后，fit_transform训练数据

我们用简单的数据测试下，看返回结果

用countVectorizer切割

分割出来的词典
print(cv.get_feature_names())

无序词典，并且带有下标
print(cv.vocabulary_)

输出训练后的稀疏矩阵，print(x)
参数为 ：data列表下标，无序词典下标，该词在data出现的频数
eg：“为了”在无序词典的下标为0，而且属于data列表的0下标，在data列表里出现了两次，所以为（0，0）2，所以定位了一个词的位置和频数

转为array，print(x.toarray())
x的每个定位都可以在坐标中找到，例如：“为了”，
他的是（0，0） 2，则对应矩阵中第一行第一列的值2，
其他依此类推

本博客对应代码已上传至GitHub：nb_dga.py