数据挖掘使用四个分类模型实现预测信用卡盗刷.docx

在ImageNet上预先训练的Keras分类模型

选题背景 Titanic生存概率预测是Kaggle平台上的经典竞赛项目，泰坦尼克号成员存活的数据集非常适合新手开始作为机器学习项目和Kaggle竞赛的练手。我们将在该项目中探索具备何种特征的人在此次海滩中幸存的几率更高，并通过改建机器学习模型和深度学习模型来预测乘客的生存率。Titanic项目的描述如下所示： 泰坦尼克号的沉没是历史上最声明远扬的航海事件 1912年4月15日，在她的处女航中，被广泛认为的“沉没” RMS泰坦尼克号与冰山相撞后沉没。 不幸的是，船上没有足够的救生艇供所有人使用，导致2224名乘客和机组人员中的1502人死亡 虽然幸存有一些运气，但似乎有些人比其他人更有可能生存 在这一挑战中，我们要求您建立一个预测模型来回答以下问题：“什么样的人更有可能生存？” 您可以使用乘客数据（即姓名，年龄，性别，社会经济舱等）来进行预测 开发环境 操作系统：Macos Python版本：3.7.4 Anaconda版本：4.9.2 tensorflow版本：2.1.0 keras版本：1.1.0 1 数据源集数据处理 1.1 数据源 数据集来自Kaggle网站提供的数据集，Kaggle提供的乘员数据分为两个部分： 训练集(train.csv) 测试集(test.csv) 训练集将用于构建我们的机器学习/深度学习模型。并且在训练集中对于每位乘客我们会有表示该乘客是否存活的label，也就是survival字段。在训练集中会给出每一位乘客的特征，我们需要从这些乘客的特征当中学得一些知识，或者可以使用特征工程来创建新的特征来帮助模型的构建 测试集数据将用来评判我们模型的表现。因此对于测试集中的每一位乘客没有代表该乘客是否存活的label，我们的模型需要根据每一位乘客的特征值来输出相应的label，真实的label将由kaggle网站保留

PointNet是三维点云分类中具有代表性的研究成果,该模型开创性地利用深度学习模型对点云进行分类,取得了较好的效果。但是PointNet模型只考虑点云的全局特征而忽略每个点的局部信息,为弥补这个缺陷,提出基于图卷积网络的点云分类模型。在PointNet模型中插入一个kNN graph层,通过在点云空间构造k近邻图,利用图结构有效地获取点云的局部信息,从而提高整体点云分类准确率。分类实验在ModelNet40数据集上进行,对比不同近邻值k对输出精度的影响,结果表明在k取20时,分类准确率最高,达到了93.2%,比PointNet高4.0%。

BankChurners 机器学习分类模型可预测银行的客户流失。 嗨，访客们！ 我是数据科学的新手，但我正在通过使用在线可用数据集将所有学习实践付诸实践。 我已经使用Python生成了机器学习分类模型！ 我仍在学习，随着我学到更多，我将继续添加我的分析！

为提高大规模恶意代码分类任务的分类准确率，提出基于词向量的恶意代码分类模型，引入NLP中表达语义含义的词向量概念，提取恶意代码函数语义特征，使用textCNN神经网络对其进行分类。实验结果表明，该模型在微软公司提供的BIG2015恶意代码分类比赛的训练集上能实现98.78%的预测准确率，相较几种传统方法准确率分别提高0.91%~3.16%。

迁移学习CNN图像分类模型 - 花朵图片分类-附件资源

传统文本分类使用word embedding作为文档表示，忽略词在当前上下文的含义，潜在地认为相同词在不同文本中含义相同。针对此问题提出一种词义消歧的卷积神经网络文本分类模型——WSDCNN（word sense disambiguation convolutional neural network）。使用双向长短时记忆网络（BLSTM）建模上下文，得到词义消歧后的文档特征图；利用卷积神经网络（CNN）进一步提取对文本分类最重要的特征。在四个数据集上进行对比实验，结果表明，所提出方法在两个数据集，特别是文档级数据集上优于先前最好的方法，在另外两个数据集上得到与此前最好方法相当的结果。

现有基于卷积神经网络（CNN）的恶意代码分类方法存在计算资源消耗较大的问题。为降低分类过程中的计算量和参数量，构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型。将恶意软件可视化为灰度图，以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性，利用灰度图训练带有深度可分离卷积的神经网络模型 Mobilenet v2，自动提取纹理特征，并采用 Softmax分类器对恶意代码进行家族分类。实验结果表明，该模型对恶意代码分类的平均准确率为99.32%，较经典的恶意代码可视化模型高出2.14个百分点。

基于卷积神经网络的链接表示及预测方法