13、泰国刑事案件判决预测与铝型材挤压工艺多目标优化

泰国刑事案件判决预测与铝型材挤压工艺多目标优化

泰国刑事案件判决预测

在泰国刑事案件判决预测方面，研究人员采用了深度学习方法。具体操作步骤如下：
1. 数据预处理 ：默认将缺失值替换为“none”，并基于数据值将一些特征拆分为较小的二进制（0/1）列进行编码，即独热编码。最终，为每个案件的类别成员（即判决）设定为监禁或释放。
2. 设计深度神经网络模型 ：
- 输入层 ：神经元数量基于输入特征集的大小确定，这里有48个特征。
- 隐藏层 ：定义了三层，神经元数量分别为256、128和64，并使用修正线性单元（ReLU）作为激活函数。为减少过拟合影响，丢弃率分别设置为0.8、0.4和0.2。
- 输出层 ：有2个神经元，使用softmax激活函数预测多项概率分布，以便将输出值分配到类别成员（监禁或释放）。
3. 性能评估 ：
- 数据集 ：对73,394个刑事案件进行实验，其中26,721个是监禁案件，46,673个是释放案件。随机选择70%的监禁和释放案件用于模型训练，其余用于测试。
- 模型实现 ：使用Python Keras和TensorFlow库实现DNN模型。训练阶段，固定迭代次数为50次，使用Adam优化器，学习率为0.001，批量大小为128。
- 对比实验 ：将DNN模型与决策树（