Perbandingan Kinerja Akurasi Klasifikasi K-NN, NB dan DT pada APK Android
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dewasa ini masyarat banyak memanfaatkan teknologi Internet, untuk berbagai kebutuhan. Mulai dari berbelanja, transportasi dan dunia pendidikan memanfaatkan Internet sebagai layanan digital. Peralatan dalam mengakses Internet pun banyak dan sangat beragam, mulai dari personal komputer, laptop sampai perangkat komunikasi seperti perangkat seluler. Perangkat seluler saat ini yang cukup banyak variasinya dan digunakan masyarakat adalah perangkat seluler berbasis sistem operasi Android. Dalam situasi ini mendorong pihak-pihak tertentu memanfaatkan celah untuk mencari keuntungan, salah satunya pembuatan Malicious Software (Malware). Keberadaan Malware sangat meresahkan, dimana pertumbuhan malware sangat cepat. Fenomena Malware yang terus bertumbuh inilah yang menjadikan peneliti berfokus untuk menganalisa Malware dengan memanfaatkan teknologi kecerdasan buatan. Tujuan dari penelitian ini adalah menganalisa file-file APK Android dengan metode anlisa statis dan melakukan klasifikasi keluarga Malware dan bukan Malware atau file APK Normal. File-file APK Malware dan bukan Malware di unduh dari Canadian Institute for Cyber Security, Google Play dan APK Pure. File-file tersebut dilakukan fitur ekstraksi untuk digenerate dan disimpan menjadi Malware dataset. Malware dataset tersebut dilakukan training menggunakan algoritma pembelajaran mesin. Pembelajaran mesin yang digunakan adalah Naïve Bayes, K-Nearest Neighbor dan Decision Tree. Pengukuran performansi akurasi dan perbandingan antara Naïve bayes, K-Nearest Neighbor dan Decision Tree yang merupakan bagian dari Pembelajaran Mesin.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle