1.基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于：包括以下操作步骤：S1：通过熵算法计算每个需要被保护属性的信息量；

S2：根据用户的需求和个性化需要对自己的隐私属性保护等级进行深度学习和预测，从而提高隐私保护模型的动态性；

S3：然后根据不同的场景进行选择，区分敏感属性和不敏感属性，进行分类保护；

S4：引入5个参数，敏感性、特异性、数据精度、错误正例和错误负例；

S5：计算数据的敏感性=t_pos/pos；

S6：计算数据特异性=t_neg/neg；

S7：计算数据的错误负例=1‑t_pos/pos；

S8：技术数据的错误正例=1‑t_neg/neg；

S9：计算数据精度=t_pos(t_pos+f_pos)；

S10：确定最终准确率。

2.根据权利要求1所述的基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于，所述S1中通过熵算法其得到有效信息量最大，其敏感程度最高。

3.根据权利要求1所述的基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于，所述S3中当pl＝1时，ε＝γ．相反，隐私级别pl越低时，ε越大，隐私保护强度也越低，当pl接近０时，ε接近∞。

4.根据权利要求1所述的基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于，所述S5中t_pos为真正的样本个数，pos为正样本数。

5.根据权利要求1所述的基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于，所述S6中t_ neg为真负的样本个数，neg为负样本的个数。

6.根据权利要求1所述的基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于，所述S9中f_pos为假正的样本个数。

7.根据权利要求1所述的基于抑制策略的低数据损失率的网贷数据隐私保护方法，其特征在于，所述S10中最终准确率为：A=(t_pos/pos)*pos/(pos+neg)+(t_neg/neg)*neg/(pos+neg)。