我正在尝试通过利用 contagiodump 上发现的 26,000 个 PDF 样本（干净和恶意）来创建一个 ANN 将 PDF 文件分类为恶意或干净。对于每个 PDF 文件，我使用 PDFid.py 解析文件并返回 42 个数字的向量。然后将 26000 个向量传递到 pybrain；50% 用于训练，50% 用于测试。这是我的源代码：
https://gist.github.com/sirpoot/6805938
在对尺寸和其他参数进行大量调整后，我设法获得了大约 0.90% 的误报率。这是我的输出：
https://gist.github.com/sirpoot/6805948
我的问题是，我有什么明确的方法可以进一步降低误报率吗？我该怎么做才能将利率降低到 0.05%？
您可以尝试多种方法来提高神经网络的准确性。
使用更多数据进行训练。这将允许网络从更大的训练样本集中学习。这样做的缺点是，具有较小的测试集会使您的误差测量更加嘈杂。然而，根据经验，我发现 80%-90% 的数据可以用于训练集，其余的用于测试。
增强您的特征表示。我不熟悉 PDFid.py，但它只返回给定 PDF 文件的约 40 个值。可能有超过 40 个特征可能与确定 PDF 是否恶意相关，因此您可以使用包含更多值的不同特征表示来提高模型的准确性。
请注意，这可能涉及大量工作——特征工程很困难！如果你决定走这条路，我的一个建议是查看模型错误分类的 PDF 文件，并尝试直观地了解这些文件出了什么问题。如果您可以识别出它们都共享的共同特征，您可以尝试将该特征添加到您的输入表示中（给您一个包含 43 个值的向量）并重新训练您的模型。
优化模型超参数。您可以尝试使用从一些合理间隔中随机选择的训练参数（动量、学习率等）和架构参数（权重衰减、隐藏单元的数量等）来训练几个不同的模型。这是进行所谓的“超参数优化”的一种方法，并且与特征工程一样，它可能涉及大量工作。然而，与特征工程不同，超参数优化在很大程度上可以自动并行完成，前提是您可以访问大量处理核心。
尝试更深层次的模型。最近，深度模型在机器学习文献中变得相当“热门”，尤其是在语音处理和某些类型的图像分类方面。通过使用堆叠 RBM、二阶学习方法 (PDF)或不同的非线性（如校正线性激活函数），您可以在模型中添加多层隐藏单元，有时这将有助于提高错误率。
这些是马上想到的。祝你好运 ！
首先让我说我绝不是神经网络方面的专家。但是我玩过一次 pyBrain，我在 while error < 0.001 循环中使用了 .train() 方法来获得我想要的错误率。因此，您可以尝试将它们全部用于该循环的训练并使用其他文件进行测试。