Phishing URLs
Un conjunto equilibrado de URL legítimas y fraudulentas, diseñado para la detección de suplantación de identidad mediante métodos de análisis automáticos.
Descripción
El conjunto de datos Phishing URLs contiene 96.018 entradas divididas en partes iguales entre URL legítimas y URL de suplantación de identidad. Cada línea está representada por un dominio, una etiqueta (0 para las legítimas y 1 para las de suplantación de identidad) y un conjunto de características calculadas según las métricas del artículo de investigación «PhishStorm».
¿Para qué sirve este conjunto de datos?
- Entrene modelos de clasificación para detectar URL fraudulentas
- Probar algoritmos de seguridad web en tiempo real
- Evalúe los enfoques de aprendizaje automático en datos binarios balanceados
¿Se puede enriquecer o mejorar?
Sí, es posible completar este conjunto de datos con características adicionales (por ejemplo, WHOIS, geolocalización de IP, historial de DNS). Las técnicas de ingeniería de características o los modelos de análisis temporal también pueden enriquecer la explotación del conjunto de datos.
🔎 En resumen
🧠 Recomendado para
- Proyectos de ciberseguridad
- Entrenamiento en detección de suplantación
- Clasificación binaria
🔧 Herramientas compatibles
- Scikit-learn
- Pandas
- LightGBM
- XGBoost
- TensorFlow
💡 Consejo
Utilice la distribución equilibrada para experimentar con diferentes métricas de evaluación, como el AUC, la puntuación F1 y la precisión/recuperación.
Preguntas frecuentes
¿Se puede usar este conjunto de datos para entrenar un modelo en producción?
Sí, siempre y cuando lo enriquezca con datos más recientes y adapte las funciones al contexto de su servicio web.
¿El conjunto de datos está equilibrado entre la suplantación de identidad y la no suplantación de identidad?
Sí, contiene exactamente 48.009 URL legítimas y 48.009 URL de suplantación de identidad.
¿Es adecuado para el aprendizaje supervisado?
De hecho, el conjunto de datos está etiquetado y formateado para entrenar modelos supervisados clásicos o avanzados.
