基于RandomForest分类方法的购买预测研究

本文针对银行客户,提出一种基于RandomForest的银行客户分类模型,通过基于RandomForest的分类方法对银行客户已存在数据进行处理,并应用labelencoder对数据进行预处理从而提高分类精确度,得到客户对产品是否具有购买倾向.结合了RandomForest的分类能力和labelencoder量化数据能力,使用葡萄牙银行机构数据进行验证,实验结果表明本文提出的客户购买预测模型精度更高.     

基于抽象API调用序列的Android恶意软件检测方法

随着Android版本的不断更替,以及恶意软件的代码混淆技术的发展,主流的静态检测方法开始面临检测效率逐年下降的问题。针对上述问题,提出一种基于抽象API调用序列的Android恶意软件检测方法。该方法采用API包名、混淆名和自定义名来抽象API调用序列,使得抽象出来的序列不依赖API版本,同时又包含混淆代码特征,具有更好的容错性。在此基础上,计算抽象API调用序列之间的转移概率矩阵作为分类特征,采用RandomForest分类算法进行恶意软件检测。实验结果表明,该方法对API版本依赖性小,且判别准确率高于一般使用API调用序列作为特征的判别方法,从而能更有效地检测未知应用软件的恶意性。     

基于随机森林的大坝潜在风险预测方法

大坝潜在风险预测在降低大坝溃坝概率、减少水库大坝失事事件方面发挥着重要的作用。本文基于随机森林方法构建基于数据驱动的大坝潜在风险预测模型,减少在建模过程中的人工干预,实现风险预测高效化、智能化。首先预处理大坝基础数据资料,构建训练数据集和测试数据集,然后构建大坝风险预测模型并利用训练数据训练模型,利用GridSearch和Cross-validation确定模型最优情况的参数,并通模型评价指标和多种算法对比结果全面评估模型性能。实验结果表明：基于随机森林的风险预测模型在测试数据上的准确度率为90.54%,模型准确度相较于ANN、KNN、SVM算法高出4.87%、18.59%、37.93%,满足实际应用的需求。     

基于R软件的RandomForest分类算法研究

本文在基于R软件包RandomForest之上，通过数据iris来学习研究RandomForest分类方法。主要包括：生成原型组，研究局部相关性，考察分类误差的大小以及影响因素。通过数据实验考察RandomForest分类方法的收敛性和稳定性。