Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- # Изисквания: pip install numpy pandas scikit-learn matplotlib
- import numpy as np
- import pandas as pd
- from sklearn.datasets import make_classification
- from sklearn.model_selection import train_test_split
- from sklearn.tree import DecisionTreeClassifier, plot_tree
- from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
- import matplotlib.pyplot as plt
- # 1) Генериране на синтетични данни (симулиращи мрежови трафик)
- # Тук използваме make_classification: всеки ред = сесия/пакет; target = клас (напр. "злонамерен"/"нормален")
- X, y = make_classification(
- n_samples=2000, # брой примери
- n_features=10, # общ брой признаци (можеш да увеличиш по-нататък)
- n_informative=6, # колко признака са информативни за класа
- n_redundant=2, # линейно зависими признаци
- n_repeated=0,
- n_classes=2, # бинарна класификация (например 0 = нормален, 1 = опасен)
- weights=[0.8, 0.2], # лек дисбаланс (80% нормални, 20% атаки)
- class_sep=1.2,
- random_state=42
- )
- # 2) Зареждане в DataFrame чрез pandas
- feature_names = [f'feat_{i}' for i in range(X.shape[1])]
- df = pd.DataFrame(X, columns=feature_names)
- df['label'] = y
- print(df.head())
- # 3) Разделяне на тренировъчен и тестов набор
- X = df[feature_names].values
- y = df['label'].values
- X_train, X_test, y_train, y_test = train_test_split(
- X, y, test_size=0.3, stratify=y, random_state=42
- )
- # 4) Използване на данните за обучение на Decision Tree
- clf = DecisionTreeClassifier(
- criterion='gini',
- max_depth=5, # контролира простотата на дървото; пробвай различни стойности
- min_samples_split=10,
- random_state=42
- )
- clf.fit(X_train, y_train)
- # 5) Начертаване на дървото
- plt.figure(figsize=(16,8))
- plot_tree(clf, feature_names=feature_names, class_names=['normal','attack'], filled=True, fontsize=8)
- plt.title("Decision Tree")
- plt.show()
- # 6) Оценка на представянето върху тестовия масив
- y_pred = clf.predict(X_test)
- print("Accuracy:", accuracy_score(y_test, y_pred))
- print("Confusion matrix:\n", confusion_matrix(y_test, y_pred))
- print("Classification report:\n", classification_report(y_test, y_pred))
- # 7) Проба със същото, но увеличаване на броя признаци
- # Генерираме нов набор с повече признаци (напр. 30)
- X2, y2 = make_classification(
- n_samples=2000,
- n_features=30,
- n_informative=15,
- n_redundant=10,
- n_classes=2,
- weights=[0.8, 0.2],
- class_sep=1.0,
- random_state=1
- )
- df2 = pd.DataFrame(X2, columns=[f'feat_{i}' for i in range(X2.shape[1])])
- df2['label'] = y2
- X2 = df2.drop(columns=['label']).values
- y2 = df2['label'].values
- X2_train, X2_test, y2_train, y2_test = train_test_split(X2, y2, test_size=0.3, stratify=y2, random_state=1)
- clf2 = DecisionTreeClassifier(max_depth=6, min_samples_split=10, random_state=1)
- clf2.fit(X2_train, y2_train)
- y2_pred = clf2.predict(X2_test)
- print("With 30 features - Accuracy:", accuracy_score(y2_test, y2_pred))
- print("With 30 features - Classification report:\n", classification_report(y2_test, y2_pred))
Advertisement
Add Comment
Please, Sign In to add comment
