是源头坏，还是目标坏？
在上一课中，您把"目标"计算机作为关注的实体。不过，网络安全分析师刚刚告诉您，产生恶意流量的是被感染的机器，因此它们会在 flows 数据集中作为"源头"出现，而不是目标。
数据 flows 已预加载，同时还有上一课中的被感染 ID 列表 bad 和特征提取器 featurizer()。您还可以使用以 np 导入的 numpy、AdaBoostClassifier()，以及 cross_val_score()。
本练习是课程的一部分
用 Python 设计机器学习工作流
练习说明
- 创建一个数据框，其中每一行都是一个
source_computer的特征向量。在flows数据集中按源计算机 ID 分组，并对每个分组应用特征提取器。 - 通过对该迭代器调用
list()，将其转换为数据框。 - 通过检查每个
source_computer的 ID 是否属于给定的坏样本列表，来创建标签。 - 使用
cross_val_score()在这些数据上评估一个AdaBoostClassifier()。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Group by source computer, and apply the feature extractor
out = flows.____('source_computer').____(featurize)
# Convert the iterator to a dataframe by calling list on it
X = pd.DataFrame(____, index=____)
# Check which sources in X.index are bad to create labels
y = [x in bads for x in ____]
# Report the average accuracy of Adaboost over 3-fold CV
print(np.mean(____(____, X, y)))