期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于QPSO-LightGBM网络资产脆弱性评估模型
1
作者
戴泽淼
《吉林大学学报(信息科学版)》
CAS
2023年第4期667-675,共9页
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...
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。
展开更多
关键词
脆弱性评估
轻量的梯度提升机
(LightGBM)
评估模型
量
子粒子群算法(QPSO)
网络资产
下载PDF
职称材料
机器学习预测脓毒症患者血流动力学不稳定
2
作者
金旭婷
李佳媚
+6 位作者
李若寒
高雅
张静静
任佳佳
张小玲
王小闯
王岗
《中国急救医学》
CAS
CSCD
2023年第11期892-897,共6页
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...
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。
展开更多
关键词
机器学习
脓毒症
血流动力学不稳定
重症监护病房(ICU)
极致
梯度
提升
轻量的梯度提升机
深度神经网络
下载PDF
职称材料
机器学习在信用贷款评分中的应用
3
作者
赵兴文
《福建电脑》
2023年第2期31-34,共4页
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...
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。
展开更多
关键词
机器学习
轻量的梯度提升机
信用贷款
信用评分
相关性分析
下载PDF
职称材料
题名
基于QPSO-LightGBM网络资产脆弱性评估模型
1
作者
戴泽淼
机构
安徽国防科技职业学院信息技术学院
合肥工业大学计算机与信息学院
出处
《吉林大学学报(信息科学版)》
CAS
2023年第4期667-675,共9页
基金
国家重点研发计划基金资助项目(2018YFB0803403)
安徽省2022年自然科学研究重大基金资助项目(2022AH040317)。
文摘
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。
关键词
脆弱性评估
轻量的梯度提升机
(LightGBM)
评估模型
量
子粒子群算法(QPSO)
网络资产
Keywords
vulnerability assessment
light gradient boosting machine(LightGBM)
evaluation model
quantum particle swarm optimization(QPSO)
network assets
分类号
TP389 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
机器学习预测脓毒症患者血流动力学不稳定
2
作者
金旭婷
李佳媚
李若寒
高雅
张静静
任佳佳
张小玲
王小闯
王岗
机构
西安交通大学第二附属医院重症医学科
出处
《中国急救医学》
CAS
CSCD
2023年第11期892-897,共6页
基金
陕西省“高层次人才特殊支持计划”
西安交通大学医学“基础-临床”融合创新项目(YXJLRH2022060)。
文摘
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。
关键词
机器学习
脓毒症
血流动力学不稳定
重症监护病房(ICU)
极致
梯度
提升
轻量的梯度提升机
深度神经网络
Keywords
Machine learning
Sepsis
Hemodynamic instability
Intensive care unit(ICU)
Extreme gradient boosting
Light gradient boosting machine
Deep neural network
分类号
R459.7 [医药卫生—急诊医学]
下载PDF
职称材料
题名
机器学习在信用贷款评分中的应用
3
作者
赵兴文
机构
浙江金融职业学院信息技术学院
出处
《福建电脑》
2023年第2期31-34,共4页
基金
浙江金融职业学院青年科研项目课题基金(No.2022YB44)资助。
文摘
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。
关键词
机器学习
轻量的梯度提升机
信用贷款
信用评分
相关性分析
Keywords
Machine Learning
LightGBM
Credit Loan
Credit Score
Correlation Analysis
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于QPSO-LightGBM网络资产脆弱性评估模型
戴泽淼
《吉林大学学报(信息科学版)》
CAS
2023
0
下载PDF
职称材料
2
机器学习预测脓毒症患者血流动力学不稳定
金旭婷
李佳媚
李若寒
高雅
张静静
任佳佳
张小玲
王小闯
王岗
《中国急救医学》
CAS
CSCD
2023
0
下载PDF
职称材料
3
机器学习在信用贷款评分中的应用
赵兴文
《福建电脑》
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部