Tensorflow 从机器学习看混淆矩阵的价值

我使用confusion_matrix（）来评估经过训练以检测DDoS攻击的模型。 混淆矩阵的结果与我的测试数据集如下所示。 我认为，如果False neg值正确检测到非DDoS的攻击，则该值不应为0

下面是我实现ML模型的代码。你能给我一个建议，让模型正确地检查良性攻击吗

model.add(Dense(units=64, activation='relu', input_dim=7))  # Input Layer
model.add(Dropout(0.5))

model.add(Dense(units=128, activation='relu'))   # hidden Layer
model.add(Dropout(0.2))

model.add(Dense(units=64, activation='relu'))   # hidden Layer
model.add(Dropout(0.2))

model.add(Dense(units=1, activation='sigmoid'))     # Last Layer for output


model.compile(loss='binary_crossentropy',
              optimizer=Adam(learning_rate=0.0001),
              metrics=['accuracy'])

CSV_FILE = "ddos.csv"
df = pd.read_csv(CSV_FILE)
df.loc[(df.Label == "ddos"), "Label"] = 1.0
df.loc[(df.Label == "Benign"), "Label"] = 0.0

# Data set
x_train = np.array(df[["Flow Duration", "Tot Fwd Pkts", "TotLen Fwd Pkts",
                       "Flow IAT Mean","Flow IAT Std" ,"Flow IAT Max", "Flow IAT Min"]])

x_train = x_train.astype(float)
normalized_x = preprocessing.normalize(x_train)

y_train = np.array(df[["Label"]])
y_train = np.array(y_train, dtype = 'float')
normalized_y = preprocessing.normalize(y_train)

hist = model.fit(normalized_x, normalized_y, epochs=3, batch_size=128)

y_pred = model.predict(x_train)
y_pred = preprocessing.normalize(y_pred)

cf_matrix = confusion_matrix(y_test, np.rint(y_pred))

---

请注意，我的数据集不是不平衡的，即它正好有50%的DDoS和50%的正常流量信息。

尽管这些问题实际上无法得到任何程度的肯定回答，但您的代码确实存在一些严重问题

首先，你应该不要规范你的标签

y_train

；这是一个二进制分类问题，标签应该精确地

0/1

删除以下行：

normalized_y = preprocessing.normalize(y_train)
y_pred = preprocessing.normalize(y_pred)

将标签更改为整数（非浮点数），即：

您的模型适合：

hist = model.fit(normalized_x, y_train, epochs=3, batch_size=128)

第二次，虽然您使用

标准化的x

进行训练，但随后您使用

x\u训练

请求预测，这同样是错误的；你的预测应该是：

y_pred = model.predict(normalized_x)

第三，默认情况下不应使用辍学，但前提是我们有过度拟合的迹象——但要做到这一点，我们的模型首先必须能够开始学习一些东西，这里的情况并非如此注释掉所有退出层，只有在过度拟合的情况下才开始将它们放回模型中

最后，您应该从Adam的默认设置开始，这通常（而且据说）是开箱即用的，即：

optimizer=Adam()

当然，你应该考虑运行这个模型多于<代码> EPOCHS＝3 < /代码> ./P>

optimizer=Adam()