Scikit-learn中级联多分类器实现咨询：先二分类再细分恶意软件家族

嘿，这个两级分类的需求其实很好实现，咱们可以基于scikit-learn的基础接口，自己封装一个符合你逻辑的元分类器，这样既能统一调用，还能兼容scikit-learn的其他工具链。我给你详细说下实现思路和代码：

咱们的元分类器要做两件事：

• 第一步：用第一个二分类器判断样本是malware还是benign
• 第二步：只有当第一步结果是malware时，才调用第二个多分类器判断具体的恶意软件家族；如果是benign，直接返回结果即可

我们可以继承scikit-learn的BaseEstimator和ClassifierMixin，这样咱们的自定义类就能拥有和scikit-learn原生分类器一样的API（比如fit()、predict()方法），用起来非常顺手。

from sklearn.base import BaseEstimator, ClassifierMixin
import numpy as np

class TwoStageClassifier(BaseEstimator, ClassifierMixin):
    def __init__(self, binary_clf, malware_clf):
        # 初始化两个分类器：第一个是二分类器，第二个是恶意软件家族分类器
        self.binary_clf = binary_clf
        self.malware_clf = malware_clf
        # 记录二分类的类别（malware和benign）
        self.binary_classes_ = None
        # 记录恶意软件家族的类别
        self.malware_classes_ = None

    def fit(self, X, y):
        # 第一步：拆分训练数据，分别拟合两个分类器
        # 先生成二分类标签：把所有恶意家族统一标记为malware，其余是benign
        binary_y = np.where(np.isin(y, ['virus', 'trojan', 'worm']), 'malware', 'benign')
        # 拟合二分类器
        self.binary_clf.fit(X, binary_y)
        self.binary_classes_ = self.binary_clf.classes_
        
        # 提取malware的样本，拟合恶意软件家族分类器
        malware_mask = binary_y == 'malware'
        if np.any(malware_mask):
            X_malware = X[malware_mask]
            y_malware = y[malware_mask]
            self.malware_clf.fit(X_malware, y_malware)
            self.malware_classes_ = self.malware_clf.classes_
        else:
            # 如果训练集中没有malware样本，跳过拟合第二个分类器
            self.malware_classes_ = []
        
        return self

    def predict(self, X):
        # 第一步：用二分类器预测
        binary_preds = self.binary_clf.predict(X)
        # 初始化最终预测结果数组
        final_preds = np.copy(binary_preds)
        
        # 找到预测为malware的样本索引
        malware_indices = binary_preds == 'malware'
        if np.any(malware_indices):
            # 对这些样本调用恶意软件家族分类器
            X_malware = X[malware_indices]
            malware_family_preds = self.malware_clf.predict(X_malware)
            # 替换对应的预测结果
            final_preds[malware_indices] = malware_family_preds
        
        return final_preds

咱们可以用scikit-learn的原生分类器来测试这个元分类器，比如用逻辑回归做二分类，随机森林做恶意软件家族分类：

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
import numpy as np

# 生成模拟数据：构造包含benign和3种恶意家族的标签
X, _ = make_classification(n_samples=1000, n_features=20, random_state=42)
y = np.concatenate([
    np.full(500, 'benign'),
    np.random.choice(['virus', 'trojan', 'worm'], size=500)
])

# 初始化两个基础分类器
binary_clf = LogisticRegression(max_iter=1000)
malware_clf = RandomForestClassifier(random_state=42)

# 实例化两级分类器
two_stage_clf = TwoStageClassifier(binary_clf, malware_clf)
# 拟合数据
two_stage_clf.fit(X, y)

# 测试预测
test_X, _ = make_classification(n_samples=10, n_features=20, random_state=123)
predictions = two_stage_clf.predict(test_X)
print("预测结果：", predictions)

这样你就有了一个统一的模块，调用的时候只需要用two_stage_clf.fit()和two_stage_clf.predict()就能完成整个两级分类流程啦。如果需要调整分类器，直接替换binary_clf和malware_clf的实例就行，非常灵活。

内容的提问来源于stack exchange，提问作者NL_user