一种适用于卷积结构的非图像数据预处理方法

卷积神经网络凭借局部相关和权值共享等优良特性而广泛应用于图像处理领域，成为最受欢迎的神经网络架构之一.然而，对于基因组、语音和金融等非图像形式的数据，传统的卷积网络可能无法完全适用.为了摆脱这一困境，科研人员不断尝试研发诸如循环神经网络以及注意力机制网络等可用于解析非图像数据的网络结构，拓展神经网络的应用范围.新型网络架构的研发无疑是困难且耗费巨大的，从另一个角度出发，提出一种适用于卷积网络结构的数据预处理方法.通过处理源数据，将其转换为特定的一维特征向量或二维图像矩阵，接着送入自定义卷积结构中观察其算法表现.实验采用UCI和Kaggle平台上的经典数据集进行测试并使用了SVM、决策树、随机森林等传统机器学习模型来对比该方法的可行性和有效性.     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。