| Starije izmjene na obje strane
Starija izmjena
Novija izmjena
|
Starija izmjena
|
racfor_wiki:seminari:tehnike_profiliranja_ethereum_korisnika [2023/01/13 00:37]
lb52002 [Zaključak] |
racfor_wiki:seminari:tehnike_profiliranja_ethereum_korisnika [2024/12/05 12:24] (trenutno)
|
| {{:racfor_wiki:seminari:rezlb.png?400|}} | {{:racfor_wiki:seminari:rezlb.png?400|}} |
| |
| Bez pretprocesiranja | ==== Bez pretprocesiranja ==== |
| Iz priloženih se rezultata može uočiti kako je Accuracy poprilično visoka za sve klasifikatore, ali s obzirom da se radi o neuravnoteženom skupu podataka, očekivano je da se kao izlaz dobije oznaka za većinsku klasu. Što se tiče metrike Precision, postoji određena pristranost jer se samo očito pozitivne instance točno klasificiraju. U tablici se može primijetiti kako Precision prelazi 52% za većinu navedenih klasifikatora dok je Recall ispod 42%. Osim toga, može se uočiti i da je manje od 50 profesionalnih korisnika točno klasificirano (TP < 42%). Iz toga zaključujemo kako modeli bez pretprocesiranja podataka teže označavati podatke s većinskom klasom, tj. klasificiraju ih kao obične korisnike. | Iz priloženih se rezultata može uočiti kako je Accuracy poprilično visoka za sve klasifikatore, ali s obzirom da se radi o neuravnoteženom skupu podataka, očekivano je da se kao izlaz dobije oznaka za većinsku klasu. Što se tiče metrike Precision, postoji određena pristranost jer se samo očito pozitivne instance točno klasificiraju. U tablici se može primijetiti kako Precision prelazi 52% za većinu navedenih klasifikatora dok je Recall ispod 42%. Osim toga, može se uočiti i da je manje od 50 profesionalnih korisnika točno klasificirano (TP < 42%). Iz toga zaključujemo kako modeli bez pretprocesiranja podataka teže označavati podatke s većinskom klasom, tj. klasificiraju ih kao obične korisnike. |
| |
| Poduzorkovanje | ==== Poduzorkovanje ==== |
| Gledajući drugu skupinu rezultata može se primijetiti kako se performanse klasifikatora povećavaju za Recall i AUC-ROC metriku te to rezultira povećanjem broja točno klasificiranih profesionalnih korisnika. Osim toga, što su veće vrijednosti AUC-ROC metrike, to su veće šanse da obje klase budu točno identificirane. Što se tiče pojedinačne izvedbe klasifikatora, može se uočiti kako je najbolji Random Forest uz AUC-ROC i TP metriku, s vrijednošću preko 94%. | Gledajući drugu skupinu rezultata može se primijetiti kako se performanse klasifikatora povećavaju za Recall i AUC-ROC metriku te to rezultira povećanjem broja točno klasificiranih profesionalnih korisnika. Osim toga, što su veće vrijednosti AUC-ROC metrike, to su veće šanse da obje klase budu točno identificirane. Što se tiče pojedinačne izvedbe klasifikatora, može se uočiti kako je najbolji Random Forest uz AUC-ROC i TP metriku, s vrijednošću preko 94%. |
| |
| Preuzorkovanje | ==== Preuzorkovanje ==== |
| Kod preuzorkovanje, također je poboljšan Recall, a samim time i točna klasifikacija profesionalnih korisnika. Random Forest i ovdje ima najbolje individualne performanse nad ostalim klasifikatorima. | Kod preuzorkovanje, također je poboljšan Recall, a samim time i točna klasifikacija profesionalnih korisnika. Random Forest i ovdje ima najbolje individualne performanse nad ostalim klasifikatorima. |
| |
| Odluka | ==== Odluka ==== |
| Zaključujemo kako je poduzorkovanje najbolja tehnika pretprocesiranja jer postiže najbolje rezultate kada je u pitanju AUC-ROC metrika. | Zaključujemo kako je poduzorkovanje najbolja tehnika pretprocesiranja jer postiže najbolje rezultate kada je u pitanju AUC-ROC metrika. |
| |
| ===== Literatura ===== | ===== Literatura ===== |
| |
| [1] [[https://dl.acm.org/doi/pdf/10.1145/1161366.1161375| Wang W., Farid H.: Exposing Digital Forgeries in Video by Detecting Double MPEG Compression]] | |
| |
| [2] [[http://clem.dii.unisi.it/~vipp/website_resources/publications/conferences/2014_ICASSP_GironiFBPB_A_Video_Forensic_Technique_For_Detecting_Frame_Deletion_And_Insertion.pdf | A. Gironi, M. Fontani, T. Bianchi, A. Piva, M. Barni: A VIDEO FORENSIC TECHNIQUE FOR DETECTING FRAME DELETION AND INSERTION ]] | [1] [[https://arxiv.org/pdf/2005.14051.pdf] | Beres F., Seres I.A., Benczur A.A., Quintyne-Collins M.: Blockchain is Watching You: Profiling and Deanonymizing Ethereum Users]] |
| |
| [3] [[https://www.forensicfocus.com/articles/forensics-bitcoin/]] | [2] [[https://gavwood.com/paper.pdf| Wood G.: Ethereum: A secure decentralised generalised transaction |
| | ledger]] |
| | |
| | [3] [[https://ieeexplore.ieee.org/document/9680589| Valadares J.A., Oliveira V.C., de Azevedo Sousa J.E., Bernardino H.S., Villela S.M., Vieira A.B., Goncalves G.: Identifying User Behavior Profiles in Ethereum Using Machine Learning Techniques]] |
| |
| |
