【摘 要】
：
对随机森林和LightGBM两种集成学习算法在恶意软件感染二分类预测中的应用进行了研究。针对恶意软件感染预测数据集,通过预处理修正异常值,选择合适的编码方式处理数据集中不
【基金项目】
：
国家重点研发计划“综合交通运输与智能交通”专项(2018YFB1600200)。
论文部分内容阅读
对随机森林和LightGBM两种集成学习算法在恶意软件感染二分类预测中的应用进行了研究。针对恶意软件感染预测数据集,通过预处理修正异常值,选择合适的编码方式处理数据集中不同类型的数据;进行特征工程处理,包括原始特征的构建并对部分特征进行拆分,构建时间戳特征以补充缺失的时间信息;使用基于Bagging集成的随机森林算法得到特征重要性分数,并按照从高到低的顺序排列以发现对预测恶意软件感染影响较大的因素;根据重要性分数划分出含有不同特征的数据集,分别选择随机森林和基于Boosting集成的LightGBM算法建
其他文献
对于单属性推荐系统,矩阵分解是广泛使用的方法之一,但对于包含多个不同属性的多属性推荐系统而言,矩阵分解方法效果存在局限性。目前已经开发了张量分解方法,以通过处理三维
负数的出现是数系的扩充,以“零下温度”引出负数能使学生易接受,但学生对于负数的理解仅停留在表面,应弄清什么是“意义相反”,利用数型结合确定0点,真正建立负数本质概念。
数学科学逻辑性强,学生学习难度较大。传统模式下,单纯关注学生数学解题能力的培养,不能实现数学综合素质的提高。新的时代背景下,数学教学应该以核心素养为中心,实现对学生
在数字图像中去除雨滴的干扰,对恢复图像质量有较大应用意义。随着深度学习图像去噪技术的发展,针对目前大多数去雨滴的方法恢复质量低、计算量大等问题,提出了一种基于自注意力机制的轻型图像去雨滴算法。该算法建立了一个轻量级的级联稠密残差网络(cascaded dense residual network),用于恢复被雨滴覆盖的图像信息。该网络由多个模块组成,模块间用稠密的残差和跳过连接引导图像信息的输出,