0

我目前正在使用多层感知器 (MLP) 开发有监督的异常检测，目标是在良性和恶意流量之间进行分类。我使用的是CTU-13 数据集，数据集的样本如下： 数据集样本。该数据集有 169032 个良性流量和 143828 个恶意流量。我的 MLP 模型的代码如下：

def MLP_model():
model = Sequential()
model.add(Dense(1024,input_dim=15, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(256,activation='relu'))
model.add(Dense(256,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(128,activation='relu'))
model.add(Dense(128,activation='relu'))
model.add(Dense(1, activation='sigmoid'))

adam = optimizers.Adam(lr=0.0001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)

model.compile(optimizer = adam, loss='binary_crossentropy', metrics=['accuracy'])
return model    

model = MLP_model()

#With Callbacks
callbacks = [EarlyStopping('val_loss', patience=5)]
hist = model.fit(Xtrain, Ytrain, epochs=50, batch_size=50, validation_split=0.20, callbacks=callbacks, verbose=1)

我得到的结果如下：

Accuracy: 0.923045
Precision: 0.999158
Recall: 0.833308
F1 score: 0.908728

但是，从训练曲线来看，我怀疑模型是欠拟合的（根据这篇文章）： 模型的训练曲线

我试图增加神经元和层数（如此处所建议），但同样的问题仍然存在。我感谢任何帮助解决这个问题。

4

2 回答 2

1

首先，我很确定您的模型实际上是过度拟合，而不是欠拟合。仅绘制训练损失，您应该会看到损失接近 0。但是正如您在图中看到的那样，与训练损失相比，验证损失仍然很高。发生这种情况是因为与训练数据集中的数据点数量相比，您的模型参数太多。

我建议将密集层大小减少到两位数/低三位数。

于 2020-06-19T12:45:36.520 回答
0

尝试将 dropout 降低到 0.1 到 0.3 的范围内，它应该有助于这条看起来不稳定的曲线。此外，训练更多的 epoch，平滑的曲线通常是当你训练更多的 epoch 时。

于 2020-06-19T12:39:56.040 回答