图书介绍
类别不平衡学习 理论与算法pdf电子书版本下载
- 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