基于QPSO-LightGBM网络资产脆弱性评估模型

为有效减少网络安全事件造成的损失,并对高风险网络资产进行漏洞评估,提出了一种基于量子粒子群轻量级梯度升降算法(QPSO-LightGBM:Quantum Particle Swarm Optimization-Light Gradient Boosting Machine)的多分类预测模型。该模型通过对少量过采样技术(MOTE:Minority Oversampling)进行合成从而达到数据平衡,采用量子粒子群算法(QPSO:Quantum Particle Swarm Optimization)实现参数的自动最优化,并使用LightGBM进行建模,进而实现网络资产的多分类预测。为验证模型的有效性,将所提模型与其他算法模型进行了比对,实验结果表明,该模型在各类预测性能指标上都取得了较好的效果。

机器学习预测脓毒症患者血流动力学不稳定

目的 在脓毒症患者中建立基于生命体征监测数据的血流动力学不稳定事件预测模型。方法 从重症监护病房合作研究数据库(eICU-CRD)的脓毒症患者中识别在重症监护病房(ICU)住院期间发生的血流动力学不稳定事件。提取事件发生前6 h的连续生命体征监测数据(包括心率、呼吸和血氧饱和度)作为阳性样本,在未发生血流动力学不稳定事件的脓毒症患者中随机抽取6 h生命体征监测数据为阴性对照样本。建立并训练极致梯度提升(XGBoost)、轻量的梯度提升机(LightGBM)以及深度神经网络(DNN)模型进行建模及训练。利用受试者工作特征曲线下面积(ROC-AUC)对模型效能进行评估,使用最优的模型在脓毒症血流动力学不稳定事件发生前1 h和前2 h对事件的发生进行预测。结果 本研究共提取阳性样本2 569例,阴性对照样本7 048例。XGBoost、LightGBM以及DNN模型预测脓毒症血流动力学不稳定事件的ROC-AUC值分别为0.78、0.77和0.61。XGBoost模型在脓毒症血流动力学不稳定事件发生前1 h、前2 h进行预测的ROC-AUC值分别为0.76和0.75。结论 在ICU的脓毒症患者中,基于连续生命体征监测数据的机器学习模型可用于血流动力学不稳定事件的预测。

机器学习在信用贷款评分中的应用

针对贷款市场中的客户信用评分建立需求,本文基于采集的某区域贷款信用数据,使用机器学习算法进行信用评分模型的构建从而预测出客户的放贷风险等级。首先进行数据清洗以及探索性分析,获取到完整备用的信用贷款数据;其次利用皮尔森相关性分析和热力图完成特征自变量以及因变量的选取和处理;最后采用LightGBM模型进行训练,并与多个主流预测算法进行对比分析。本文完整算法模型在预测精确度、召回率以及F-1 Score评价指标均可达到97%以上。