本文基于CIC-IDS2017数据集，采用正则化逻辑回归模型进行网络异常流量检测实验。针对数据集中存在的类别不平衡（正常流量96.9%，攻击流量3.1%）和异常值问题，通过数据清洗、特征工程（剔除无关变量、方差过滤、标准化）等预处理步骤优化数据质量。实验对比了两种特征选择方案：SelectKBest单变量过滤（保留15个特征）和全量特征+L2正则化，结果显示后者在保持100%召回率的同时，将精确率

本文围绕网络异常流量检测与概念漂移研究方向，系统总结了数据分析与机器学习的核心知识点。文章分为三个阶段：基础工具应用（NumPy/Pandas数据处理、可视化）、机器学习核心概念（线性/逻辑回归、梯度下降、决策边界）以及进阶内容（过拟合、正则化）。重点探讨了特征缩放对模型训练的影响、正则化参数的选择策略，以及异常检测任务中的类别不平衡问题。通过25个典型问题的解答，为网络流量分析领域的机器学习实践