图书介绍
类别不平衡学习 理论与算法PDF|Epub|txt|kindle电子书版本网盘下载
- 于化龙著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302466185
- 出版时间：2017
- 标注页数：231页
- 文件大小：117MB
- 文件页数：243页
- 主题词：机器学习
PDF下载
下载说明
类别不平衡学习 理论与算法PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 引言3
1.2 基本概念5
1.3 常用技术7
1.4 应用领域13
1.5 本书主要内容及安排15
1.6 文献导读16
参考文献17
第2章 基础理论23
2.1 类别不平衡分布对传统分类器性能的影响机理25
2.1.1 类别不平衡分布对朴素贝叶斯分类器的影响25
2.1.2 类别不平衡分布对支持向量机的影响27
2.1.3 类别不平衡分布对极限学习机的影响30
2.2 类别不平衡学习的影响因素34
2.3 类别不平衡学习的性能评价测度39
2.4 本章小结43
2.5 文献导读43
参考文献43
第3章 样本采样技术45
3.1 样本采样技术的基本思想及发展历程47
3.2 随机采样技术48
3.2.1 随机降采样法48
3.2.2 随机过采样法50
3.3 人工采样技术51
3.3.1 SMOTE采样法51
3.3.2 Borderline-SMOTE采样法53
3.3.3 ADA-SYN采样法56
3.3.4 OSS采样法57
3.3.5 SBC采样法58
3.4 优化采样技术60
3.5 实验结果及讨论65
3.5.1 数据集描述及参数设置65
3.5.2 结果与讨论67
3.6 本章小结69
3.7 文献导读69
参考文献69
第4章 代价敏感学习技术73
4.1 代价敏感学习的基本思想75
4.2 代价矩阵76
4.3 基于经验加权的代价敏感学习算法77
4.3.1 CS-SVM算法77
4.3.2 WELM算法78
4.4 基于模糊加权的代价敏感学习算法80
4.4.1 FSVM-CIL算法81
4.4.2 FWELM算法84
4.5 实验结果与讨论85
4.5.1 数据集与参数设置85
4.5.2 结果与讨论87
4.6 本章小结94
4.7 文献导读94
参考文献94
第5章 决策输出补偿技术97
5.1 决策输出补偿技术的基本思想99
5.2 基于经验的决策输出补偿算法101
5.3 基于关键位置比对的决策输出补偿算法102
5.4 基于优化思想的决策输出补偿算法104
5.5 实验结果与讨论109
5.5.1 实验一109
5.5.2 实验二116
5.6 本章小结123
5.7 文献导读124
参考文献124
第6章 集成学习技术127
6.1 集成学习的基本思想129
6.2 两种经典的集成学习范式131
6.2.1 Bagging集成学习范式131
6.2.2 Boosting集成学习范式133
6.3 基于样本采样技术的集成学习算法135
6.3.1 Assymetric Bagging及asBagging-FSS算法135
6.3.2 SMOTEBoost及RUSBoost算法139
6.3.3 EasyEnsemble及BalanceCascade算法141
6.4 基于代价敏感学习技术的集成学习算法143
6.5 基于决策输出补偿技术的集成学习算法145
6.6 实验结果与讨论147
6.6.1 实验一147
6.6.2 实验二153
6.6.3 实验三156
6.7 本章小结160
6.8 文献导读161
参考文献161
第7章 主动学习技术165
7.1 主动学习的基本思想167
7.2 基于支持向量机的主动不平衡学习算法169
7.3 样本不平衡分布中的主动学习算法设计173
7.4 实验结果与讨论176
7.4.1 实验一176
7.4.2 实验二178
7.5 本章小结183
7.6 文献导读184
参考文献184
第8章 一类分类技术187
8.1 一类分类的基本思想189
8.2 基于密度的一类分类器190
8.2.1 基于高斯模型的一类分类器190
8.2.2 基于高斯混合模型的一类分类器191
8.2.3 基于Parzen窗的一类分类器192
8.2.4 基于K近邻的一类分类器193
8.3 基于支持域的一类分类器195
8.3.1 一类支持向量机195
8.3.2 支持向量数据描述196
8.4 一类极限学习机197
8.5 实验结果与讨论199
8.5.1 数据集与参数设置199
8.5.2 结果与讨论200
8.6 本章小结202
8.7 文献导读202
参考文献202
第9章 样本不平衡分布的危害预评估技术205
9.1 预评估的必要性说明207
9.2 基于样本几何可分测度的预评估算法208
9.3 基于留一交叉验证的预评估算法212
9.4 实验结果与讨论214
9.4.1 实验一214
9.4.2 实验二217
9.5 本章小结219
9.6 文献导读219
参考文献220
第10章 未来研究展望223
10.1 现有的挑战225
10.2 未来的研究方向与发展前景227
10.3 文献导读228
参考文献229