《表2 特征提取：基于机器学习的侵财类案件危害程度分析》
提示：宽带有限、当前游客访问压缩模式
如表2所示，通过关键字提取4个特征。
| 图表编号 | XD00120790400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.31 |
| 作者 | 卢子涵、胡啸峰、邱凌峰 |
| 绘制单位 | 中国人民公安大学信息技术与网络安全学院、安全防范技术与风险评估公安部重点实验室、中国人民公安大学信息技术与网络安全学院、安全防范技术与风险评估公安部重点实验室、上海云从企业发展有限公司中台产品中心-公共事业组 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 特征提取结果：基于机器学习的海里油耗估计算法》2021.01.20
- 《表4 不同模型精度比对：基于机器学习的故意伤害案件风险分析》2020.04.25
- 《表6 特征重要性度量：基于机器学习的故意伤害案件风险分析》2020.04.25
- 《表2 前科人员数据：基于机器学习的故意伤害案件风险分析》2020.04.25
- 《表1 受害人数据：基于机器学习的故意伤害案件风险分析》2020.04.25
- 《表6 教育程度变量处理：基于机器学习的个人信用模型实证分析》2020.01.15
- 《表1 各个特征的权重：基于机器学习的在线学习数据分析与研究》2020.02.25
- 《表2 程度词权重：基于机器学习的外汇新闻情感分析》2020.06.16
- 《表2：提取的图像特征：机器学习在胶质瘤分级与IDH-1分型的应用》2020.02.10
- 《表1 训练样本特征：基于机器学习的网络投诉预测分析》2020.08.15
- 《表3 特征重要度排序：基于机器学习的侵财类案件危害程度分析》2019.12.31
- 《表4 关联规则结果：基于机器学习的侵财类案件危害程度分析》2019.12.31
- 《表1 数据样式：基于机器学习的侵财类案件危害程度分析》2019.12.31
- 《表6 各类案件刑期分布：基于机器学习的司法数据分析及建模研究——以“故意伤害罪”为例》2020.01.01
- 《表4 情感特征：基于机器学习的推特谣言立场分析研究》2019.11.05
- 《表3 对话特征：基于机器学习的推特谣言立场分析研究》2019.11.05
- 《表2 结构特征：基于机器学习的推特谣言立场分析研究》2019.11.05
- 《表1 三类特征的含义：基于领域词典和机器学习的影评情感分析》2019.08.01
- 《表1 2009至2017公安机关侵财类案件刑事案件立案数与人民检察院批捕侵犯财产案件数 (单位:起)》2019.06.20
- 《表1 学习者特征分析：基于机器学习的网络学习行为分析》2018.08.25