🎄teratailクリスマスプレゼントキャンペーン2024🎄』開催中!

\teratail特別グッズやAmazonギフトカード最大2,000円分が当たる!/

詳細はこちら
CSV

CSV(Comma-Separated Values)はコンマで区切られた明白なテキスト値のリストです。もしくは、そのフォーマットでひとつ以上のリストを含むファイルを指します。

URL

URL(ユニフォームリソースロケータ)とは、インターネット上のリソース(Webページや電子メールの宛先等)を特定するための形式的な記号の並びの事を言う。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

2回答

937閲覧

CSVファイルのURLを数値に変換する

Rondon7251

総合スコア89

CSV

CSV(Comma-Separated Values)はコンマで区切られた明白なテキスト値のリストです。もしくは、そのフォーマットでひとつ以上のリストを含むファイルを指します。

URL

URL(ユニフォームリソースロケータ)とは、インターネット上のリソース(Webページや電子メールの宛先等)を特定するための形式的な記号の並びの事を言う。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2019/09/22 12:11

編集2019/09/22 12:30

機械学習するのにURLを数値化させたいです。
CSVファイルのURLを数値化させるpythonプログラムはどのように記述すればよいでしょうか?

参考になるサイトやプログラムがありましたら教えて下さい。

イメージ説明

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

can110

2019/09/22 12:15

どのような規則でURL(文字列?)を数値に変換すべきなのか仕様を提示ください。
Rondon7251

2019/09/22 12:32

提示しましたありがとうございます。
can110

2019/09/22 12:36

いえ。提示すべきなのは規則(ルール)です。 たとえば「http://teratail.com」はどのような規則でどのような値になるべきでしょうか?
Rondon7251

2019/09/23 01:31

質問の仕方が下手でした。すいませんでした。
guest

回答2

0

ベストアンサー

URLだけで判別を行うなら、適当な区切り文字(-, ., /あたり)を定義して便宜的に「語のようななにか」に区切るか、文字n-gramを使うかしてBag of Words表現っぽいものを作り、それを使うというのが割とすぐ思いつく方法です。ただし、実際にできるかというとかなり微妙かもしれません。

URLにアクセスしてコンテンツを拾ってくるのであれば、先行研究は色々あると思います。

投稿2019/09/23 09:54

hayataka2049

総合スコア30935

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

Rondon7251

2019/09/23 13:07

つまり、 例えば -→1 .→2 /→3 :→4 また0から9、aからz、AからZの全ての文字列を0とする。 などで https://teratail.com 00000433000000002000 で数値変換するということでしょうか? その場合何かしら特徴を抽出して分類できると思うんですが あまりお勧めはしないで他の論文などの先行研究から別のやり方を考えた方がいいでしょうか?
hayataka2049

2019/09/23 23:57

違います。Bag of Words表現で検索してください。URLをベクトルで表すことになります。
guest

0

直接的な回答では無いのですが大阪大学(熊本大学)の松原先生のKDDの発表でURLのアクセスを予測する発表があります。URLとアクセスしたID、時間をテンソルに変換して、時系列に予測するモデルです。
URLを何らかの方法でテンソルに変換していると思います。

YouTube:Fast mining and forecasting of complex time-stamped events (KDD 2012)
論文もあると思いますので探してみてください。

いくつかの質問を通しての疑問ですが、最終目標はなんでしょうか?

  • 機械学習を触ってみること?
  • 業務として悪性のURLを分類する必要がある?
  • SVMを理解する?

目標に応じてアプローチが異なると思います。
機械学習を理解するのであれば、上手く行くケースでまずは感覚を掴まれたらいかがかと思います。

(追記)

>最終目標はURLから悪性か良性かの分類プログラムを作りたいです。
具体的なイメージはないのですが、悪性の教師データを取得するのは難しいような気がします。
よくある異常検知のように正常データを大量に学習して、異物を発見するようなモデルになるように思いますが、果たしてURLの文字列から異物を判断することができるか疑問です。
ウィルス検知やマルウェア検知のアルゴリズムなどを調べてみてはいかがでしょうか?
初期のスパム検知にはナイーブベイズが利用されていたと聞いたことがあります。

投稿2019/09/22 21:18

編集2019/09/24 00:56
nandymak

総合スコア799

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

Rondon7251

2019/09/23 01:30

沢山ありがとうございます。 最終目標はURLから悪性か良性かの分類プログラムを作りたいです。 ロジスティック回帰 SVM ランダムフォレスト ニューラルネットワーク の4つの中から分類したいと思いまずはSVMを試した。が上手くいかなかったため、色々調べた結果 ニューラルネットワークにより特徴を抽出して分類しようと思ってます。なにかアドバイスありましたらよろしくお願いします。
nandymak

2019/09/23 01:39

アルゴリズム選択の参考としてCheatSheetがぐぐれば出てきます。一度ご覧下さい。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.36%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問