Machine learning 潜在威胁分析分类（IP地址）_Machine Learning_Classification_Data Science_Decision Tree_Knn

Machine learning 潜在威胁分析分类（IP地址）

machine-learning

Machine learning 潜在威胁分析分类（IP地址）,machine-learning,classification,data-science,decision-tree,knn,Machine Learning,Classification,Data Science,Decision Tree,Knn,我想把IP地址分为坏的、中性的或好的。我有3个参数，即 IP地址是否来自DigitalOcean之类的云提供商（只能是真或假）？如果是这样，我们将对其进行处罚如果IP是已知的VPN/代理（只能是真或假），我们将再次对其进行处罚 IP是否来自一个隐藏的子网（信任分数百分比）？我们惩罚它起初，我想使用一种信用评分的权重衡量方法，即3个条件各得5分。每个单独的参数都有一个百分比评级，所以如果它是云提供商，我们给它10/100，否则我们可以说给它100/100 问题是，这种方法会导致误报，优化总体权

我想把IP地址分为坏的、中性的或好的。我有3个参数，即

IP地址是否来自DigitalOcean之类的云提供商（只能是真或假）？如果是这样，我们将对其进行处罚

如果IP是已知的VPN/代理（只能是真或假），我们将再次对其进行处罚

IP是否来自一个隐藏的子网（信任分数百分比）？我们惩罚它

起初，我想使用一种信用评分的权重衡量方法，即3个条件各得5分。每个单独的参数都有一个百分比评级，所以如果它是云提供商，我们给它10/100，否则我们可以说给它100/100

问题是，这种方法会导致误报，优化总体权重分类范围也是一个问题

此外，分数范围的差异也是一个问题。例如，在云计算中，提供者可能是真的，也可能是假的，而一个阴暗的域可能有基于现有数据的单独分数

解决这一问题的更明智的方法是什么？决策树是否足够好，还是我应该选择KNN