基于lightGBM算法对银行账户反欺诈模型的应用

在互联网金融诈骗产业化、规模化且广泛使用各类前沿技术的背景下,以人工智能等为代表的先进技术为金融机构提高反欺诈能力提供了新的方向。为探索机器学习技术在风险管理中的应用,文章以银行账户数据为研究基础,通过有监督训练,基于LightGBM算法的机器学习模型不断学习数据模式,在完成变量选择的同时择优输出针对欺诈风险的概率预测。

基于距离函数值和打分值的GBM算法预测酸根离子配体结合残基

在生命活动中,酸根离子是一种重要的蛋白质配体,蛋白质与其结合才能发挥重要功能.因此,识别蛋白质-酸根离子配体结合位点具有重要的意义.选用SO_(4)^(2-),PO_(4)^(3-),CO_(3)^(2-)和NO_(2)^(-)配体作为研究对象,采用距离函数和矩阵打分算法分别提取基础特征参数的组分信息和位置保守性信息,使用GBM算法对蛋白质-酸根离子配体结合残基进行预测.五交叉检验下得到较好的预测结果,其中CO_(3)^(2-)和NO_(2)^(-)配体结合残基识别要好于IonSeq方法的结果.为了进一步验证预测模型的实用性,我们选用了欠采样方法处理数据集,将同样的特征参数放入GBM算法中,独立检验结果好于随机森林算法和SMO算法的预测结果,也好于前人的预测结果.

基于优化的GBM算法识别金属离子配体结合残基

金属离子配体具有体积小、灵活等特点,与蛋白质结合有着不同于其它配体的特殊性,因此准确的识别金属离子配体结合位点具有极强的挑战性.本文基于蛋白质的一级序列信息,选取了氨基酸及其物化特征、预测的二级结构信息为基础参数,利用离散增量算法和位置权重矩阵打分算法将这些高维特征投影至20维的向量空间并作为预测特征参数输入优化的GBM算法中,对10种金属离子配体结合残基进行了5交叉检验预测,得到了好于前人的预测结果.结果发现:每种金属离子配体偏好的优化参数不同,优化的GBM算法能给出最佳的预测结果.

规模以下工业企业抽样调查的权数调整研究

为解决规模以下工业企业估计中的问题,对现有的权数调整范围进行了拓展,以期提高对规模以下工业企业的估计精度。一方面,解决目录企业的非自然消亡问题。分别讨论样本单元非自然消亡和样本层非自然消亡两种情况,将非自然消亡视为一种单元无回答,引入样本匹配方法,选择最为“相近”的正常上报企业与非自然消亡企业匹配,把非自然消亡的样本企业权数调整到正常上报的样本企业中。另一方面,解决非目录企业的估计偏差问题。分别讨论了基于超总体模型估计和倾向得分逆加权估计的权数调整思路,超总体模型估计选取了线性和非线性两种。倾向得分逆加权估计中,重点研究了倾向得分的求解,基于GBM(Generalized Boosted Model)算法,在其迭代求解过程中引入了权重,提出了w-GBM算法,同时提出将参数估计方法中的Logistic回归估计和非参数估计方法中的w-GBM算法或GBM算法进行加权的组合估计方法。实证结果表明,以上思路具有可行性。

基于Light GBM与组合赋权的库存电表资产精益化管理

为提高电能表库存资产管理水平,以某公司各县级库房为例,分析库房管理风险和资产账实风险。使用Light GBM算法建立异常资产识别模型,能在电能表计量数据中准确识别出异常的电表资产,准确度达91%,查全率为72%。构建库房风险评价指标体系,使用组合赋权评价库房管理风险,评价结果与预期一致。该方法可支撑库房资产盘点和库房管理绩效考核,提升库存管理的智能化程度。