新書推薦：
《
妙探寻凶
》
售價：HK$
63.8
《
清代皇宫图鉴（全三册）清宫廷史专家写给大众的皇家生活百科全书
》
售價：HK$
260.7
《
呼吸13：与自己的深度关系
》
售價：HK$
75.9
《
大家译丛：欧洲哲学史（1850—1930）
》
售價：HK$
74.8
《
政制秩序原理：转型
》
售價：HK$
140.8
《
远见：如何摆脱短期主义
》
售價：HK$
85.8
《
人生，体验而已
》
售價：HK$
64.9
《
无人公司：打造未来超级商业体
》
售價：HK$
76.8
|
| 內容簡介： |
|
本书主要介绍非平衡数据集的特点及针对非平衡数据集常用的预测方法，主要从数据层面、特征层面和算法层面对非平衡数据集分类预测方法进行详细说明。全书共11章。其中，第1章为绪论，第2章从数据层面介绍基于采样技术的非平衡数据集常用分析方法，第3章从特征层面介绍常用的非平衡数据集分析方法，第4～11章主要介绍算法层面的各种针对非平衡数据集的预测模型。本书可供电子信息工程、通信工程、电子科学与技术、计算机科学与技术、统计学、智能信息处理等相关专业高年级本科生、从事相关课题研究的硕士研究生与博士研究生及相关行业从事数据分析的科研人员研究参考。
|
| 關於作者： |
|
李凤莲，女，太原理工大学信息工程学院副教授，多年来一直从事电路分析基础、可编程控制器原理、数字语音信号处理等课程的教学与科研工作。
|
| 目錄：
|
|
第1章 绪论1.1非平衡数据集简介1.2非平衡数据集的特点1.3非平衡数据集研究现状1.3.1基于数据层面的采样技术研究现状1.3.2基于特征层面的分类模型研究现状1.3.3基于算法层面的分类模型研究现状1.4非平衡数据集分类预测模型构建难点1.5非平衡数据集分类性能的评价准则参考文献第2章 基于采样技术的非平衡数据集分类预测方法2.1常用采样技术2.2基于欠采样方法的非平衡数据集预测2.2.1基于聚类的欠采样方法2.2.2去冗余欠采样方法2.3基于聚类融合去冗余的改进欠采样方法2.3.1相似度冗余系数2.3.2聚类算法2.3.3基于聚类融合去冗余的改进欠采样方法原理2.4基于聚类融合去冗余的改进欠采样方法实现及性能分析2.4.1算法实现2.4.2基于聚类融合去冗余的改进欠采样方法性能分析2.4.3实验结果与分析2.5基于聚类融合去冗余的改进欠采样算法实现源码2.6本章小结参考文献第3章 基于特征层面的非平衡数据集预测3.1非平衡数据集的特征选择3.1.1非平衡数据集下的综合概率比特征选择3.1.2面向非平衡数据集的邻居词正负特征选择3.2用于非平衡数据集的深度学习方法3.2.1针对非平衡数据集的神经网络与小概率机模型3.2.2生成式对抗网络用于非平衡数据集分类问题3.3本章小结参考文献第4章 决策树模型4.1决策树基础知识4.1.1基本概念4.1.2建树过程4.1.3规则提取4.1.4剪枝技术4.1.5信息熵4.2已有单决策树简介4.2.1决策树算法性能对比4.2.2 ID3算法4.2.3 C4.5算法4.2.4 CART算法4.2.5 SLIQ算法4.2.6 SPRINT算法4.3随机森林算法4.3.1随机森林算法原理4.3.2随机森林算法的实现4.4决策树算法性能比较4.4.1不同决策树算法节点分裂指标对比及分析4.4.2决策树算法存在的问题4.5基于混合策略的决策树预测模型4.5.1混合属性选择策略4.5.2混合属性选择策略分类性能分析4.6基于混合策略的决策树预测模型代码实现4.7本章小结参考文献第5章 基于代价敏感理论的决策树模型5.1代价敏感理论5.1.1代价敏感基本理论5.1.2代价函数5.2代价敏感理论优化的经典单决策树预测模型5.2.1 CS-ID3决策树5.2.2 IDX决策树5.2.3 CS-C4.5决策树5.3基于代价敏感的属性选择混合策略单决策树模型5.3.1基于代价敏感理论的属性选择混合策略5.3.2 CHDT算法性能验证5.4基于不同根节点信息的代价敏感属性选择混合策略多决策树模型5.4.1基于不同根节点信息的代价敏感属性选择混合策略多决策树5.4.2 CHAIRF算法性能验证5.5代价敏感混合属性选择策略单决策树模型在煤矿安全预警中的应用5.5.1基于代价敏感混合属性选择策略单决策树CHDT模型构建5.5.2 CHDT模型用于煤矿突水预测性能分析5.6 CHAIRF多决策树模型的分布式实现5.6.1 Hadoop环境配置及搭建5.6.2决策树准确率与算法计算时间研究5.6.3 CHAIRF算法分布式编程模型设计及实现5.6.4多线程分布式CHAIRF算法5.7本章小结参考文献第6章 强化学习奖惩机制优化的决策树模型6.1强化学习理论基础6.2基于强化学习的累积回报属性选择方法6.2.1提出动机与基本思想6.2.2属性选择策略6.2.3实验及结果分析6.3基于同分布随机采样的改进集成森林算法基本理论6.3.1同分布随机采样法6.3.2基于同分布随机采样的改进集成森林算法6.3.3实验及结果分析6.4基于强化学习累积回报机制的多决策树推荐模型6.4.1决策树推荐模型构建6.4.2实验及结果分析6.5本章小结参考文献第7章 基于深度强化学习的脑卒中非平衡数据集分类预测模型7.1深度强化学习7.1.1深度强化学习研究进展综述7.1.2深度Q网络基本理论7.2面向非平衡数据集的深度强化学习分类预测模型构建7.2.1非平衡数据集分类预测问题到马尔可夫决策过程的映射7.2.2非平衡数据集分类预测问题DQN的训练7.2.3非平衡数据集分类预测模型训练7.3实验方案7.4实验结果与分析7.5本章小结参考文献第8章 非平衡模糊支持向量机分类预测模型8.1模糊支持向量机相关理论8.1.1统计学原理8.1.2支持向量机理论8.1.3模糊支持向量机8.2一种改进的模糊隶属度函数确定方法8.2.1模糊隶属度函数构造方法8.2.2改进的模糊隶属度函数确定方法8.3非平衡模糊支持向量机8.3.1非平衡调节因子8.3.2非平衡模糊支持向量机8.3.3实验与结果分析8.4模糊支持向量机在脑卒中TCD数据分类中的应用8.4.1脑卒中TCD数据及特点分析8.4.2基于非平衡模糊支持向量机的TCD数据分类8.5本章小结参考文献第9章 基于极限学习机的非平衡数据集分类预测研究9.1人工神经网络9.1.1神经网络结构9.1.2单隐含层前馈神经网络9.2极限学习机9.2.1极限学习机ELM基础理论9.2.2加权极限学习机W-ELM9.3蝙蝠算法优化的极限学习机模型9.3.1蝙蝠算法原理9.3.2 BA-ELM分类模型原理9.3.3算法流程9.3.4蝙蝠算法优化极限学习机的脑卒中TCD数据分类9.4本章小结参考文献第10章 基于优化核极限学习机的非平衡数据集分类预测模型10.1基于时变惯性权重的改进蝙蝠算法10.1.1基于时变惯性权重的改进蝙蝠算法原理10.1.2改进蝙蝠算法性能测试10.2改进蝙蝠算法优化核极限学习机10.2.1核极限学习机KELM10.2.2改进蝙蝠算法优化参数流程10.2.3 IBA-KELM模型运行流程10.3优化核极限学习机性能验证10.3.1基于公共数据集的IBA-KELM模型预测性能验证10.3.2优化的核极限学习机用于脑卒中TCD数据分类10.4化G-means的代价调整极限学习机模型10.4.1基本原理10.4.2 MG-CCR-ELM模型运行流程10.5化G-means的代价调整极限学习机性能验证10.5.1公共数据集测试10.5.2脑卒中TCD数据分类预测10.6本章小结参考文献第11章 聚类算法用于非平衡数据集分析11.1聚类算法介绍11.1.1聚类算法分类11.1.2聚类算法研究现状11.2 FCM及其改进算法简介11.2.1 FCM算法11.2.2 LFCM算法11.2.3 EW-LFCM算法11.3基于迭代信息熵权的改进LFCM算法11.3.1 IEW-LFCM算法原理11.3.2 IEW-LFCM算法流程11.3.3实验及结果分析11.3.4非平衡数据集聚类性能11.4本章小结参考文献附录A 专业术语缩写英汉对照表
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
