【新人赛】阿里云恶意程序检测 -- 实践记录11.3 - n-gram模型调参

主要工作

本周主要是跑了下n-gram模型，并调了下参数。大概看了几篇论文，有几个处理方法不错，准备下周代码实现一下。

xgboost参数设置为：

param = {'max_depth': 6, 'eta': 0.1, 'eval_metric': 'mlogloss', 'silent': 1, 'objective': 'multi:softprob',
'num_class': 8, 'subsample': 0.5, 'colsample_bytree': 0.85}

n-gram模型，CountVectorizer

为了训练速度考虑，采用两折校验，对ngram_range参数，start=end，即只用某元：

ngram	train-mean	val-mean
1	0.113553	0.376238
2	0.086720	0.331593
3	0.085156	0.338862
4	0.102556	0.347408
5	0.090270	0.366249

import matplotlib.pyplot as plt
import numpy as np

train_mean = [0.113553, 0.086720, 0.085156, 0.102556, 0.090270]
val_mean = [0.376238, 0.331593, 0.338862, 0.347408, 0.366249]

# 绘制对比柱状图
plt.bar(x=range(1, 6), height=train_mean, label="train mean", alpha=0.8, width=bar_width)
plt.legend()
plt.xlabel("ngram_range(start=end)")
plt.ylabel("mean")
plt.title('result')
plt.show()

plt.bar(x=np.arange(1, 6), height=val_mean, label="val mean", alpha=0.8, width=bar_width)
plt.legend()
plt.xlabel("ngram_range(start=end)")
plt.ylabel("mean")
plt.title('result')
plt.show()

绘图可得：

可以看到，二元、三元关系的拟合效果比较好。
所以在api序列中，依赖关系主要以短链为主，长链为辅，同时单个api也有一些价值。

而后，同样是2折校验，对start != end的情形做了一下训练。

可以看到，start=1得到的结果比start=2得到的效果要好一些，
同时当start=1, end从2至6，拟合效果都有提升，当end=7之后又会变差。

所以n-gram模型，二元、三元的拟合效果比较好，加上一元，四元，五元，六元之后，效果都有提升，这几元都很有用。

此外，将2折改为5折，计算开销增大，但结果会更好一些。

将5折得到的这几个结果，提交到线上，测试结果如下：

10折提交，结果如下：

在同学的基础上优化：

使用参数ngram_range=(1, 3)，xgboost中subsample=0.8，