☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

　　《機器學習中的不平衡分類方法》是作者在機器學習領域不平衡數據分類問題的係統性研究成果。作者密切跟蹤國內外機器學習領域的新研究動態，對當前受到關注的典型不平衡分類學習方法進行瞭係統闡述；考慮到不平衡分類問題在實際應用問題中的普遍性以及求解的復雜性，從框架建模、學習策略、算法實現等方麵給齣一係列高性能、魯棒性強的不平衡分類方法，豐富機器學習理論與方法體係，以期為人工智能相關領域的研究提供新的思路和方法。
　　《機器學習中的不平衡分類方法》可供人工智能、自動化、計算機科學、電子信息等相關專業領域的研究生、教師、科研人員以及工程技術人員參考使用，也可供高等教育相關專業高年級本科生作為開拓視野、增長知識的閱讀材料。

目錄

前言
第1章 緒論
1．1 概述
1．2 分類問題概述
1．3 不平衡分類問題概述
1．4 研究背景
1．5 發展曆程
1．6 應用現狀
參考文獻

第2章 模型評估與選擇
2．1 訓練誤差與測試誤差
2．2 過擬閤與欠擬閤
2．3 模型選擇
2．4 評估方法
2．5 假設檢驗
2．5．1 T-test檢驗
2．5．2 Wilcoxon秩和檢驗
2．5．3 方差分析（ANOVA）

第3章 不平衡分類學習策略
3．1 重采樣策略
3．1．1 經典過采樣技術
3．1．2 經典欠采樣方法
3．2 代價敏感學習
3．3 單類彆學習
3．4 集成學習方法
3．5 新型采樣策略
3．5．1 基於KNN降噪濾波的不平衡分類框架
3．5．2 KNN噪聲濾波器
3．5．3 基於欠采樣方法的KF噪聲濾波器
3．5．4 算法復雜度分析
3．5．5 實驗與結果分析
3．5．6 基於迭代分割濾波器的降噪不平衡分類算法
參考文獻

第4章 貝葉斯分類器
4．1 貝葉斯理論
4．1．1 條件概率和乘法公式
4．1．2 全概率公式和貝葉斯公式
4．1．3 極大後驗假設與極大似然假設
4．1．4 事件的獨立性
4．2 樸素貝葉斯分類器
4．2．1 樸素貝葉斯分類器描述
4．2．2 性能分析
4．2．3 NBC特徵分析
4．3 代價敏感樸素貝葉斯分類器
4．3．1 二類不平衡分類
4．3．2 多類不平衡分類
4．4 參數選擇
4．4．1 二類不平衡分類
4．4．2 多類不平衡分類
4．5 仿真實驗與比較分析
4．5．1 二類不平衡分類
4．5．2 多類不平衡分類
4．6 本章小結
參考文獻

第5章 決策樹與隨機森林
5．1 基本流程
5．1．1 決策樹定義及結構
5．1．2 決策樹學習步驟
5．2 劃分選擇
5．2．1 信息增益
5．2．2 增益率
5．2．3 基尼基數
5．3 剪枝處理
5．4 隨機森林
5．5 隨機森林集成
5．5．1 融閤的基本原則
5．5．2 不平衡數據的模型集成方案
5．6 本章小結
參考文獻

第6章 支持嚮量機
6．1 支持嚮量機原理
6．1．1 超平麵與幾何間隔最大化
6．1．2 拉格朗日對偶函數
6．1．3 核函數的引入
6．2 序列最小優化算法
6．3 不平衡分類SVM研究
6．4 基於距離的多子域加權欠采樣SVM算法
6．4．1 基於幾何間距的多子域加權欠采樣算法
6．4．2 WU-SVM算法
6．4．3 小結
6．5 基於GA過采樣的SVM算法
6．5．1 基於GA的過采樣
6．5．2 遞歸支持嚮量機（R-SVM）
6．5．3 GR-SVM算法
6．6 WU-SVM仿真實驗與結果分析
6．6．1 二類不平衡分類
6．6．2 多類不平衡分類
6．7 本章小結
參考文獻

第7章 集成學習與強化學習
7．1 個體與集成
7．2 Boosting
7．3 Bagging
7．4 強化學習
7．4．1 強化學習的基本元素
7．4．2 策略選擇
7．4．3 有模型學習
7．4．4 免模型學習
7．5 本章小結
參考文獻

第8章 遺傳規劃分類
8．1 進化計算基本理論
8．2 遺傳規劃理論
8．2．1 遺傳規劃基本流程
8．2．2 遺傳規劃的特點
8．2．3 個體錶示和適應度函數
8．2．4 種群的産生方法
8．2．5 遺傳操作
8．2．6 終止準則與結果判定
8．3 遺傳規劃分類器
8．3．1 遺傳規劃分類模型
8．3．2 兩類問題
8．3．3 多類問題
8．4 遺傳規劃分類器集成
8．4．1 利用遺傳規劃進行集成的基本原理
8．4．2 遺傳規劃集成學習的相關設置
8．4．3 算法描述
8．5 遺傳規劃不平衡分類器
8．5．1 多目標遺傳規劃
8．5．2 不平衡分類問題中的多目標問題
8．5．3 基於多目標的遺傳規劃用於不平衡分類
8．6 遺傳規劃用於不平衡分類實例
8．6．1 MOGP進化搜索算法
8．6．2 分類器集成選擇
8．6．3 實驗結果
8．6．4 分類器集成改進
8．7 本章小結
參考文獻

第9章 非平穩環境學習
9．1 非平穩環境下的變化檢測
9．1．1 檢測變量與檢驗方法
9．1．2 非平穩環境檢測的最新研究進展
9．2 增量式學習算法的研究
9．2．1 增量學習方式
9．2．2 最新動態
9．2．3 經典測試數據集及評估指標
9．3 本章小結
參考文獻

第10章 遷移學習
10．1 遷移學習
10．2 遷移學習類型
10．2．1 同構遷移學習
10．2．2 異構遷移學習
10．3 遷移學習方法
10．3．1 實例權重法
10．3．2 特徵錶示法
lO．3．3 參數遷移法
10．3．4 知識關聯法
10．4 遷移學習運用
10．5 本章小結
參考文獻

第11章 典型應用案例
11．1 網絡入侵檢測
11．1．1 背景
11．1．2 網絡入侵檢測數據
11．1．3 GA過采樣
11．1．4 SVM參數尋優
11．1．5 特徵提取分析
11．1．6 實驗結果及分析
11．2 醫療診斷
11．2．1 不平衡分類在醫療診斷中的應用
11．2．2 乳腺癌診斷
11．2．3 仿真結果與分析
11．3 短文本分類
11．3．1 短文本分類概述
11．3．2 文本錶示相關的主要模型
11．3．3 特徵降維
11．3．4 基於WU-SVM的短文本分類
11．3．5 小結

第12章 人工智能平颱——AIThink
12．1 AIThink平颱介紹
12．2 平颱功能及用途
12．3 平颱內容

精彩書摘

　　集成學習法將數據層麵改進算法和傳統分類算法相結閤來提高不平衡數據分類效果。集成學習依據其包含的分類器種類，分為同態集成學習和異態集成學習。同態集成學習指的是基礎分類器由相同類型構成，這些基礎分類器可以有不同的參數；異態集成學習指的是基礎分類器由不同類型構成，即包含兩種或兩種以上的基礎分類器。同態集成學習先對原始訓練數據集進行一係列采樣，獲得一係列訓練子數據集，訓練齣多個分類器，然後對測試樣本的分類結果用投票的方式集成獲得最後的分類結果。異態集成學習中的基礎分類器都具有不同的屬性，某個基礎分類器對某類特定數據集可能會更有效。Schapire等人將AdaBoost算法運用到不平衡分類學習中獲得瞭較好的分類效果，但由於AdaBoost以分類準確率最大化為目標，多數類對分類準確率的影響大，少數類對分類準確率影響相對較小，使AdaBoost算法並不利於少數類的學習，導緻少數類的準確率提高程度有限。據此提齣瞭改進AdaBoost方法如RareBoostl、AdaCost，兩者主要策略都是改變樣本權重更新方法並賦予分類錯誤的少數類樣本更高的權值，使其下一輪迭代過程中更傾嚮於被分類正確。Chawla等人提齣SMOTEBoost方法，具體是將SMOTE算法和集成學習Boosting相結閤，先利用SMOTE算法增加少數類樣本的個數，提高少數類的分類效果，然後利用集成學習提高類彆不平衡分類的整體性能。He和Han等人將過采樣和集成學習相結閤提齣瞭C-SMOTE算法用於不平衡分類學習，也取得瞭良好的分類性能。劉胥影等人將欠采樣和集成學習相結閤，提齣瞭EasyEnsemble和BalanceCascade兩種方法，通過從多數類中抽取多個子集，然後利用這些子集學習一係列弱分類器，最後閤並這些弱分類器，獲得一個集成分類器。Maryam和Roozbeh等針對位於不平衡環境下的集成學習提齣一種有效的采樣方法，先對少類樣本進行缺失值處理，依照輸入缺失值重要性來産生新的閤成數據集，有利於提高軸承缺陷診斷的準確率。
　　……
機器學習中的不平衡分類方法 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

正在學習中，這類書籍比較少

評分☆☆☆☆☆

書是髒兮兮的。

評分☆☆☆☆☆

此用戶未填寫評價內容

評分☆☆☆☆☆

非常不錯的網購，下次還買。

評分☆☆☆☆☆

經常在京東買書，又快又好，這本書挺好的。

評分☆☆☆☆☆

書是髒兮兮的。

評分☆☆☆☆☆

非常不錯的網購，下次還買。

評分☆☆☆☆☆

寫論文參考的，內容正好閤適

評分☆☆☆☆☆

正在學習中，這類書籍比較少

類似圖書 點擊查看全場最低價

查看全網最低價