大數據分析——預測建模與評價機制

本書將基礎理論和算法實現相結合，介紹了關於大數據分析中的相關知識，全面、系統地介紹有關算法的實現過程，並對算法在相關實例上的應用結果進行分析。全書共8章，內容包括差異化空間插值模型的理論原理、利用空間信息的大數據分析預測過程、協作復合神經網絡模型的基礎架構、利用相關特徵的大數據分析預測過程、並行支持向量機的基本原理、並行支持向量機下的風險分類評價研究、集成學習與貝葉斯優化的相關理論和結合貝葉斯優化與集成學習的大數據評價研究等知識。書中每種算法都以偽代碼的形式進行描述並附有相應的實例。 本書主要面向廣大從事大數據分析、機器學習、數據挖掘或深度學習的專業人員，從事高等教育的專任教師，高等院校的在讀學生及相關領域的廣大科研人員。

目錄

第1章差異化空間插值模型的理論原理

1.1自適應深度強化學習算法

1.1.1概述

1.1.2競爭深度強化學習算法原理

1.1.3狀態值重利用

1.1.4動態模糊隸屬度因子

1.1.5自適應深度Q網絡

1.1.6對比實驗

1.2自調整反距離加權插值模型

1.2.1概述

1.2.2反距離加權法

1.2.3變異函數

1.2.4克裡金法

1.2.5自調整反距離加權插值模型介紹

1.3幾種常用強化學習算法

1.3.1蒙特卡洛方法

1.3.2時間差分算法

1.3.3Q學習算法

1.3.4深度Q網絡

1.3.5雙深度Q網絡

1.3.6優先經驗回放

1.4本章小結

第2章利用空間信息的大數據分析預測過程

2.1大數據時代的空間信息挖掘與分析

2.1.1大數據與空間大數據

2.1.2空間大數據挖掘

2.1.3空間大數據分析

2.2空間信息數據的預測

2.2.1數據預處理

2.2.2預測模型的構建

2.2.3預測結果的對比分析

2.3本章小結

第3章協作復合神經網絡模型的基礎架構

3.1協作復合神經網絡模型概述

3.2自適應動態灰狼優化算法

3.2.1灰狼優化算法原理

3.2.2非線性餘弦收斂因子

3.2.3加權位置更新

3.2.4中心擾動準則

3.2.5自適應動態灰狼優化算法運行機制

3.2.6對比實驗

3.3小波神經網絡模型

3.3.1前向傳播過程

3.3.2損失函數

3.3.3RMSProp

3.3.4Nesterov動量

3.4協作復合神經網絡模型的構建

3.5知識擴展

3.5.1遺傳算法

3.5.2粒子群優化算法

3.5.3模擬退火算法

3.5.4蟻群優化算法

3.5.5常見的反向傳播算法

3.6本章小結

第4章利用相關特徵的大數據分析預測過程

4.1大數據的分析機制

4.1.1相關性分析

4.1.2訓練集與測試集的選擇

4.1.3數據歸一化預處理

4.2可調整參數的設定機制

4.2.1隱含層節點數的確定

4.2.2學習率設置

4.2.3衰減系數設置

4.3預測模型的性能評價指標

4.3.1單個模型性能評價指標

4.3.2多模型性能對比評價方法

4.4預測性能評價結果及相關分析

4.4.1數據集1上的預測性能評價結果及相關分析

4.4.2數據集2上的預測性能評價結果及相關分析

4.5知識擴展

4.5.1徑向基神經網絡預測模型

4.5.2模糊神經網絡預測模型

4.6本章小結

第5章並行支持向量機的基本原理

5.1並行支持向量機概述

5.2協同鳥群算法

5.2.1鳥群算法原理

5.2.2抱團行為

5.2.3基於適應度差值比的位置更新方式

5.2.4接受準則

5.2.5協同鳥群算法運行機制

5.2.6對比實驗

5.3支持向量機分類模型

5.3.1概述

5.3.2統計學習原理

5.3.3核函數

5.3.4分類過程

5.4並行支持向量機模型的構建

5.5知識擴展

5.5.1螢火蟲算法

5.5.2磷蝦群算法

5.5.3算法特性對比分析

5.6本章小結

第6章並行支持向量機下的風險分類評價研究——以土壤重金屬數據為例

6.1土壤重金屬污染概述及風險評價研究現狀

6.2土壤污染評價方法

6.2.1土壤地球化學基準值與背景值

6.2.2國家規定的土壤污染風險管控標準

6.2.3土壤重金屬污染評價方法

6.3土壤重金屬數據的預處理

6.4大數據風險評價結果

6.4.1評價模型的參數設置

6.4.2污染風險分類評價結果

6.5評價模型的性能評價

6.6知識擴展

6.6.1決策樹算法

6.6.2K近鄰算法

6.7本章小結

第7章集成學習與貝葉斯優化的相關理論

7.1集成學習方法

7.1.1集成學習

7.1.2隨機森林原理

7.1.3個體學習器集成策略

7.1.4加權隨機森林算法運行機制

7.1.5對比實驗

7.2類別不平衡數據集的處理

7.2.1上採樣算法

7.2.2下採樣算法

7.2.3混合採樣算法

7.3貝葉斯優化

7.3.1貝葉斯優化調參原理

7.3.2概率代理模型

7.3.3採集函數

7.4知識擴展

7.4.1Stacking算法

7.4.2邏輯回歸分類

7.5本章小結

第8章結合貝葉斯優化與集成學習的大數據評價研究——以土壤重金屬

數據為例

8.1污染評價方法及目標值標記

8.2數據重採樣與預處理

8.2.1數據重採樣

8.2.2預處理

8.3集成學習下的土壤污染風險評價結果

8.3.1算法超參數設置

8.3.2蔡甸區風險評價實驗

8.3.3江夏區風險評價實驗

8.3.4武漢市整體風險評價實驗

8.3.5應用貝葉斯優化調參

8.4知識擴展

8.4.1貝葉斯分類算法

8.4.2梯度提升樹算法

8.5本章小結

參考文獻