// Funkcja klasyfikująca
public bool Classyfi(string request)
{
SVMDataManager data = new SVMDataManager();
C_SVC model = new C_SVC(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, @"WAF\model.model"));
// Buduje wektor na podstawie wprowadzonego tekstu
var newX = SVMProblemBuilder.CreateVector(SVMDataManager.SeparateNonAlphanumeric(request), data.Vocabulary);
//var predictedYProb = model.PredictProbabilities(newX);
// Start analizy czasu na potrzeby testów
//Stopwatch stopWatch = new Stopwatch();
//stopWatch.Start();
// Klasyfikacja nowo utworzonego wektora na podstawie modelu
var predictedY = model.Predict(newX);
// Logowanie czasu na potrzeby testów
//File.WriteAllText(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, @"WAF\log.txt"), string.Format("The prediction is {0}. Time is {1}.", _predictionDictionary[(int)predictedY], stopWatch.ElapsedMilliseconds));
// Zwracanie wyniku
if (predictedY == -1)
{
return(false);
}
else
{
return(true);
}
}
public bool Classyfi(string request)
{
SVMDataManager data = new SVMDataManager();
C_SVC model = new C_SVC(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, @"model.model"));
request = request.Replace("&", " ");
request = request.Replace("+", " ");
request = request.Replace("%20", " ");
request = request.Replace("/", " ");
request = request.Replace("?", " ");
request = request.Replace("Filter", " ");
request = request.Replace("Test.aspx", " ");
var newX = SVMProblemBuilder.CreateNode(request, data.Vocabulary);
//var predictedYProb = model.PredictProbabilities(newX);
Stopwatch stopWatch = new Stopwatch();
stopWatch.Start();
var predictedY = model.Predict(newX);
File.WriteAllText(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, @"log.txt"), string.Format("The prediction is {0}. Time is {1}.", _predictionDictionary[(int)predictedY], stopWatch.ElapsedMilliseconds));
if (predictedY == -1)
{
return(false);
}
else
{
return(true);
}
}
public void Train()
{
SVMDataManager data = new SVMDataManager();
var problemBuilder = new SVMProblemBuilder();
var problem = problemBuilder.CreateProblem(data.RequestText, data.ClassValue, data.Vocabulary.ToList());
const double C = 0.5;
C_SVC model = new C_SVC(problem, KernelHelper.LinearKernel(), C); // Train is called automatically here
accuracy = model.GetCrossValidationAccuracy(100);
model.Export(string.Format(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, string.Format(@"bin\model_{0}_accuracy.model", accuracy))));
System.IO.File.WriteAllLines(string.Format(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, string.Format(@"bin\model_{0}_vocabulary.txt", accuracy))), data.Vocabulary);
}
// Uczenie algorytmu
public void Train()
{
// Pobieranie danych z zestawów do trenowanie algorytmu znajduje się w konstruktorze klasy SVMDataManager ->
SVMDataManager data = new SVMDataManager();
// Tworzenie macierzy (wraz z wektorami)
var problemBuilder = new SVMProblemBuilder();
var problem = problemBuilder.CreateMatrix(data.RequestText, data.ClassValue, data.Vocabulary.ToList());
// Parametrem C dokonywana jest optymalizacja marginesu. Oznacza on wartość straty/kary błędnej klasyfikacji.
const double C = 0.5;
C_SVC model = new C_SVC(problem, KernelHelper.LinearKernel(), C);
// Dokładność liczona jest procentowo na bazie danych treningowych.
// Po wyznaczeniu przez algorytm najlepszej dostępnej hiperpłaszczyzny oddzielającej cechy od siebie,
// przez stworzony model przepuszczane są jeszcze raz dane treningowe i liczony jest odsetek błędnych klasyfikacji na tej podstawie.
accuracy = model.GetCrossValidationAccuracy(100);
// Export modelu oraz słownika
model.Export(string.Format(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, string.Format(@"WAF\model_{0}_accuracy.model", accuracy))));
System.IO.File.WriteAllLines(string.Format(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, string.Format(@"WAF\model_{0}_vocabulary.txt", accuracy))), data.Vocabulary);
}
