机器学习方法在预防信用卡违约风险中的应用

文章使用机器学习中的决策树和随机森林算法建立信用卡违约预警模型。第一步,建立相关系数热力图,发现用户的违约状态与个人贷款的相关性最强、其次是开户时长和存款时长;第二步,使用过滤式特征选择方法选取主要的特征;第三步,分别使用决策树和随机模型建立信用卡违约预警模型;第四步,总结这两个模型的优缺点。结论:决策树模型训练速度快,但是模型精度一般;随机森林模型训练速度慢,但是模型精度优良。

动态权重最大相关最小冗余算法

为解决特征选择中分辨特征之间的依赖和冗余问题,采用动态权重最大相关最小冗余算法(DWMRMR),在5个公共数据集上进行了验证以及算法比较。

道路天气状况与驾驶员危险驾驶行为分析

本文基于车联网系统以及天气状况,建立了道路交通安全评价模型。通过模型分析驾驶员的危险驾驶行为是否与天气相关,以及天气状况对驾驶员的驾驶行为产生多大的程度影响。对于不同的驾驶行为,建立两个模型:一个是以疲劳驾驶为因变量,道路天气为自变量的模型;另一个模型是以急加速急减速为自变量,道路天气为自变量的模型。通过使用过滤式特征选择方法选取对因变量有显著影响的特征变量,将高维稀疏变量变为低维稀疏变量。最后采用神经网络方法将这些特征变量作为输入节点,以危险驾驶行为作为输出节点进行拟合模型,分析模型的精度与模型的损失值。在疲劳驾驶模型中,经过筛选得到的特征为:小雨转阴、晴转多云、小雨等天气,模型训练集的损失值为0.18、验证集的损失值为0.16,模型训练集的精度为73%、测试集的精度为79%。在急加速急减速模型中,经过筛选得到的特征为:小雨转阴、晴转多云、小雨等天气,模型训练集的损失值为0.15、验证集的损失值为0.1,模型训练集的精度为85%、测试集的精度为90%。