類別不平衡學習 : 理論與算法 (Class Imbalance Learning:Theory and Algorithms) 类别不平衡学习:理论与算法

於化龍

下單後立即進貨 (約4週~6週)

買這商品的人也買了...

商品描述

類別不平衡學習是機器學習與數據挖掘領域的重要分支之一,其在很多應用領域中均發揮著重要作用。本書首先系統地介紹了與類別不平衡學習相關的一些基礎概念及理論(第1、2章),進而在上述理論的基礎上,討論了一些主流的類別不平衡學習技術及對應算法,具體包括樣本採樣技術(第3章)、代價敏感學習技術(第4章)、決策輸出補償技術(第5章)、集成學習技術(第6章)、主動學習技術(第7章)及一類分類技術(第8章)等。此外,也探討了樣本不平衡分佈的危害預評估技術(第9章)。最後,對該領域未來的發展方向及應用前景做出了評述與展望(第10章)。
本書可作為高等院校與研究院所電腦、自動化及相關專業研究生的課外閱讀書籍,也可供對機器學習及數據挖掘感興趣的研究人員和工程技術人員閱讀參考。

作者簡介

於化龍(1982—),男,哈爾濱人,博士,江蘇科技大學計算機學院副教授,碩士研究生導師,東南大學自動化學院博士後。近年來,在國內外核心期刊及重要的國際學術會議上發表論文50餘篇,其中被SCI與EI檢索40餘篇。主持包括國家自然科學基金在內的各級科研項目8項,以主要參與人身份參與國家、省部級及市廳級科研項目多項。2015年入選江蘇科技大學“深藍學者培養工程”第二層次培養對象,2016年入選江蘇省“三三三高層次人才培養工程”第三層次培養對象,是瑞士國家科學基金委科研項目特約評審專家、中國自動化學會青年工作委員會委員、江蘇省計算機學會人工智能專委會委員,多個知名學術會議的PC成員,同時為20餘種國內外知名學術期刊的評審人。主要研究方向為:機器學習,數據挖掘與生物信息學。

目錄大綱

第1章緒論

1.1引言
1.2基本概念
1.3常用技術
1.4應用領域
1.5本書主要內容及安排
1.6文獻導讀
參考文獻

第2章基礎理論

2.1類別不平衡分佈對傳統分類器性能的影響機理
2.1.1類別不平衡分佈對樸素貝葉斯分類器的影響
2.1.2類別不平衡分佈對支持向量機的影響
2.1.3類別不平衡分佈對極限學習機的影響
2.2類別不平衡學習的影響因素
2.3類別不平衡學習的性能評價測度
2.4本章小結
2.5文獻導讀
參考文獻

第3章樣本採樣技術

3.1樣本採樣技術的基本思想及發展歷程
3.2隨機採樣技術
3.2.1隨機降採樣法
3.2.2隨機過採樣法
3.3人工採樣技術
3.3.1SMOTE採樣法
3.3.2Borderline—SMOTE採樣法
3.3.3ADA—SYN採樣法
3.3.4OSS採樣法
3.3.5SBC採樣法
3.4優化採樣技術
3.5實驗結果及討論
3.5.1數據集描述及參數設置
3.5.2結果與討論
3.6本章小結
3.7文獻導讀
參考文獻

第4章代價敏感學習技術

4.1代價敏感學習的基本思想
4.2代價矩陣
4.3 於經驗加權的代價敏感學習算法
4.3.1CS—SVM算法
4.3.2WELM算法
4.4基於模糊加權的代價敏感學習算法
4.4.1FSVM—CIL算法
4.4.2FWELM算法
4.5實驗結果與討論
4.5.1數據集與參數設置
4.5.2結果與討論
4.6本章小結
4.7文獻導讀
參考文獻

第5章決策輸出補償技術

5.1決策輸出補償技術的基本思想
5.2基於經驗的決策輸出補償算法
5.3基於關鍵位置比對的決策輸出補償算法
5.4基於優化思想的決策輸出補償算法
5.5實驗結果與討論
5.5.1實驗一
5.5.2實驗二
5.6本章小結
5.7文獻導讀
參考文獻

第6章集成學習技術

6.1集成學習的基本思想
6.2兩種經典的集成學習範式
6.2.1Bagging集成學習範式
6.2.2Boosting集成學習範式
6.3基於樣本採樣技術的集成學習算法
6.3.1Assymetric Bagging及asBagging—FSS算法
6.3.2SMOTEBoost及RUSBoost算法
6.3.3EasyEnsemble及BalanceCascade算法
6.4基於代價敏感學習技術的集成學習算法
6.5基於決策輸出補償技術的 成學習算法
6.6實驗結果與討論
6.6.1實驗一
6.6.2實驗二
6.6.3實驗三
6.7本章小結
6.8文獻導讀
參考文獻

第7章主動學習技術

7.1主動學習的基本思想
7.2基於支持向量機的主動不平衡學習算法
7.3樣本不平衡分佈中的主動學習算法設計
7.4實驗結果與討論
7.4.1實驗一
7.4.2實驗二
7.5本章小結
7.6文獻導讀
參考文獻

第8章一類分類技術

8.1一類分類的基本思想
8.2基於密度的一類分類器
8.2.1基於高斯模型的一類分類器
8.2.2基於高斯混合模型的一類分類器
8.2.3基於Parzen窗的一類分類器
8.2.4基於K近鄰的一類分類器
8.3基於支持域的一類分類器
8.3.1一類支持向量機
8.3.2支持向量數據描述
8.4一類極限學習機
8.5實驗結果與討論
8.5.1數據集與參數設置
8.5. 2結果與討論
8.6本章小結
8.7文獻導讀
參考文獻

第9章樣本不平衡分佈的危害預評估技術

9.1預評估的必要性說明
9.2基於樣本幾何可分測度的預評估算法
9.3基 於留一交叉驗證的預評估算法
9.4實驗結果與討論
9.4.1實驗一
9.4.2實驗二
9.5本章小結
9.6文獻導讀
參考文獻

第10章未來研究展望

10.1現有的挑戰
10.2未來的研究方向與發展前景
10.3文獻導讀
參考文獻