双分支URL与主机特征加抗泄漏OOF堆叠的钓鱼网站检测模型在UCI数据集上达到92.67%准确率与0.9788 ROC-AUC
核心概要
该研究提出一个基于URL特征与主机特征双分支、并用抗泄漏的Out-Of-Fold堆叠机制融合的混合机器学习钓鱼网站检测系统，在包含11,055个实例、17个特征的UCI Phishing Websites数据集上取得92.67%的准确率和0.9788的ROC-AUC，优于单一特征集模型，交叉验证显示低方差的泛化表现，特征重要性分析显示基于交互的元特征对分类精度贡献显著。
深度剖析
提出双分支架构，分别在URL特征集和主机特征集上训练独立分类器，再通过抗泄漏的Out-Of-Fold堆叠机制从未见数据中生成元特征进行融合。 相对依赖单一特征集或传统黑名单与规则方法的既有方案，该设计把两类互补特征分开建模后再融合，并强调元特征来自未见数据以避免数据泄漏。 论文描述中明确给出双分支结构与OOF堆叠机制的设计说明，并在UCI Phishing Websites数据集（11,055个实例、17个特征）上完成评估。
在UCI Phishing Websites数据集上，混合模型取得92.67%的准确率与0.9788的ROC-AUC，优于仅使用单一特征集的模型。 该结果把双分支融合相对单特征基线带来的性能提升以准确率和ROC-AUC两个指标量化呈现。 结果来自论文报告的实验数据，并配合交叉验证显示低方差，说明泛化表现较为稳定。
引入基于交互的元特征，特征重要性分析显示这类元特征对提升分类精度具有很高影响力。 在常规堆叠元特征之外增加交互项，为模型提供额外的判别信息，并通过特征重要性分析定位其贡献。 论文报告了特征重要性分析结果，指出交互元特征在分类精度提升中作用显著。
该模型在性能、计算效率与可解释性之间取得平衡，抗泄漏设计支持无偏评估与实际网络安全场景应用。 相比只追求精度的方案，该工作把方法学严谨性（避免数据泄漏）与效率、可解释性一并纳入设计目标。 论文以准确率、ROC-AUC、交叉验证方差和特征重要性等多项评估支撑这一综合定位。
启示与展望
该结果面向使用URL与主机特征进行钓鱼网站分类的研究与工程场景，适用于具备相应特征提取能力的检测流程；抗泄漏的OOF堆叠设计使评估更接近无偏，便于在真实网络安全部署中作为参考基线。对希望复现或扩展双分支融合思路的研究者，该工作提供了可借鉴的架构与评估范式。
由于加载文本为不完整的描述而非全文，无法确认各分支具体使用的分类器类型、超参数设置、交叉验证折数以及与其他方法的完整对比细节；交互元特征的具体构造方式与特征重要性数值也未在文本中给出。这些属于后续阅读原文时需要留意的开放问题。