训练后分类器配置

Question

我有一个表示某种身份的行为向量。我需要对恶意或良性每个实例理想的情况下，有一个正常的严重评分进行二进制分类。

为此，我可以使用各种线性分类器/核化支持向量机/随机森林等。

问题是，一旦对分类器进行了培训，我希望允许用户配置哪些行为更重要(或更少)。

例如，一种行为可能是某个进程所做的加密，而担心ransomware的用户可能希望使这种行为更有意义。

给定的线性分类器(我想避免)，只需将给定的W与给定的配置相乘即可。在核化支持向量机/随机森林/DNN等算法中，可以做些什么来获得等价的结果？

Answer 1

从对问题的描述来看，在将数据发送到分类器之前，对输入应用权重可能会有效果，而且很容易实现。重量可以是正的，也可以是负的。