mlp.fit(X_train,y_train) 

predictions = mlp.predict(X_test) 

#evaluating our classifier 

tn, fp, fn, tp = confusion_matrix(y_test,predictions).ravel() 

print "TN = ",tn 

print "TP = ",tp 

print "FP = ",fp 

print "FN = ",fn 

看上去强大年夜的神经收集并不克不及够辨认样本数据集中的18个恶意软件(假阴性)，这是个很严重的问题，试想一下如不雅你的杀毒软件将勒索软件误判为正常法度榜样，会对你造成什么竽暌拱响?但不消过于消极，因为我们这个神经收集照样异常原始的，实际上我们可以让它更为精确，但这已经超出了本文的评论辩论范畴。

六、总结

本文只是一篇入门文┞仿，我想向读者表达的是，如不雅我们可以或许接收99%的辨认率，那么恶意软件辨别并不是一个难以解决的问题。当然，实际生活中，构建和安排机械进修是一件费时费事的工作，须要大年夜量常识和大年夜量数据。本文仅仅是机械进修和人工智能(AI)若何应用于恶意软件识其余一篇简单文┞仿，欲望能给读者供给进修常识的乐趣。

分析“DebugRVA”特点：

【编辑推荐】

1. 数据分析机械进修的泰坦尼克案例-牛刀小试
2. 机械进修案例拭魅战之信用卡讹诈检测
3. 用两万篇论文告诉你：机械进修在以前喂恼菩产生了什么
4. 聊天机械人中的两把技巧之火：AI和机械进修
5. Spark for python developers —Spark与数据的机械进修

【义务编辑：武晓燕 TEL：（010）68476606】

法度榜样输出为：

　　推荐阅读

　　Python一行代码完成并行任务

众所周知，Python的并行处理才能很不睬想。我认为如不雅不推敲线程和GIL的标准参数(它们大年夜多是合法的)，其原因不是因为技巧不到位，而是我们的应用办法不恰当。大年夜多半关于Python线>>>详细阅读

本文标题：机器学习在恶意软件检测中的应用

地址：http://www.17bianji.com/lsqh/34783.html

 1/2    1