XXXX年第X批风险监测实施方案

COVID风险预测 使用朴素贝叶斯和决策树算法进行COVID-19风险预测

2022年交通安全风险监测平台建设方案（专业完整版）.docx

基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评估研究 基于BP神经网络模型的中国P2P借款人信用风险评

通信工程招投标-通信工程招投标风险与法律责任

综合网络安全隐患、路由器的脆弱性，可以评估出路由器面临的安全风险，并给出安全风险抑制建议。

人工智能-项目实践-创新大赛-基于python的用户贷款风险预测 融360与平台上的金融机构合作，提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息，需要参赛者以此建立准确的风险控制模型，来预测用户是否会逾期还款。 ##解决方案概述## 本题很多关键属性被脱敏处理，比如时间戳和所有金额的值，这个对我们进行特征构造带来很多的影响，损失了很多业务信息。不过对于参赛者都是公平的，因而我们构造了大量的统计特征，根据模型及线上反馈最佳特征大多来自用户浏览行为browse_history和bill_detail，此外发现放款时间也是个强力特征，详细见代码部分。这里只放了我个人的代码，队友的特征工程很多类似的，也有一些独特之处，这里说几个思路：bill_detail表的特征按放款时间分为放款前放款后分别统计（还可以尝试多划分几个时间窗再统计）、基于熵的分箱处理（特征离散化，熊掌整理了思路见：最优分箱.docx）、排序特征、组合特征等，有兴趣可以自己去实现。模型方面，我本人主要玩了xgboost和lightgbm，队友也基本上是xgboost、RandomForest，在玩Stack

人工智能-项目实践-企业退出风险预测-基于python的企业经营退出风险预测，二分类问题 model: Xgboost 数据处理： pandas 文件夹结构介绍 data/alldata/： 存放所有的得到的数据文件 data/public/: 题目给定的原始数据 (https://pan.baidu.com/s/1nuJNz9B) 提取密码：t2ek 运行之前，请建立对应的文件夹，并导入数据。 model/：运行的model文件 feature/: 提取特征的py文件 saveModel/: 保存model，可以不使用 stack/: stacking特征的py文件 xresult/：存放输出结果的文件

人工智能-项目实践-汽车投保风险指数预测-基于xgboost的汽车投保风险指数预测

人工智能-项目实践-主机被攻击风险预测-建立基于使用者特征的模型进行主机被攻击风险的预测 02.py 描述了数据属性重编码的方式，将原有的数据转换为数字形式的categorical类型的数据 dataInsight.py 描述了 读取数据集，重编码（独热编码，这部分我也是复制别人的），初始化神经网络，训练神经网络， 使用已训练的网络进行预测并计算评价指标，评价指标这部分我也是找的代码