基本介紹
- 書名：支持向量機及其個人信用評估
- 作者：高尚
- 出版日期：2013年7月1日
- 語種：簡體中文
- ISBN：9787560630861
- 品牌：西安電子科技大學出版社
- 外文名：Support Vector Machines and Personal Credit Evaluation
- 出版社：西安電子科技大學出版社
- 頁數：214頁
- 開本：16
- 定價：32.00
內容簡介,圖書目錄,
內容簡介
《支持向量機及其個人信用評估》可作為計算機類、管理學等專業的高年級本科生、研究生教材或教師的教學參考書，也可供相關領域的科研人員參閱。
圖書目錄
第1章 概述
1.1 支持向量機研究現狀
1.2 個人信用評估的意義及發展
1.2.1 個人信用評估的意義
1.2.2 個人信用評估的發展歷史
1.2.3 個人信用評估的現狀
1.3 個人信用評估的主要方法
1.4 本書內容結構框架
第2章 支持向量機理論
2.1 支持向量機概述
2.2 統計學習理論
2.2.1 統計學習理論的核心內容
2.2.2 學習過程一致性的條件
2.2.3 VC維
2.2.4 推廣性的界
2.2.5 結構風險最小化
2.3 支持向量機內涵
2.4 支持向量分類
2.4.1 線性支持向量機
2.4.2 非線性支持向量機
2.4.3 支持向量機的核函式
2.4.4 訓練算法
2.5 支持向量回歸
2.5.1 線性回歸情形
2.5.2 非線性回歸情形
2.6 支持向量機模型的參數選擇
2.7 支持向量機的變形算法
2.7.1 C—SVM算法
2.7.2 V—SVM算法
2.7.3 One—classSVM算法
2.7.4 WSVM算法
2.7.5 最小二乘支持向量機算法
2.7.6 粒度支持向量機算法
2.7.7 孿生支持向量機算法
2.7.8 簡約支持向量機算法
2.7.9 排序支持向量機算法
2.7.10 基於組合的支持向量機算法
2.7.11 基於多類問題的支持向量機算法
2.8 支持向量機方法的特點
2.9 本章小結
第3章 支持向量機工具箱及套用
3.1 支持向量機軟體介紹
3.2 LS—SVMlab的使用
3.2.1 LS—SVMlab工具箱簡介
3.2.2 LS—SVMIab工具箱的使用方法
3.2.3 實例
3.3 MATLABSVMToolbox的使用
3.3.1 MATLABSVMToolbox工具箱簡介
3.3.2 MATLABSVMToolbox工具箱的使用方法
3.3.3 實例
3.4 LIBSVM
3.4.1 LIBSVM簡介
3.4.2 Windows作業系統下LIBSVM執行檔的使用
3.1.3 在MATLAB下使用LIBSVM
3.4.4 實例
第4章 支持向量機的套用
4.1 不同準則下的線性支持向量機回歸
4.1.1 支持向量機回歸模型
4.1.2 使殘差的平方和為最小
4.1.3 使殘差的最大絕對值為最小
4.1.4 使殘差的絕對值之和為最小
4.1.5 實例計算與分析
4.1.6 本節小結
4.2 基於粗糙集和支持向量機的效能評定
4.2.1 引言
4.2.2 效能評定的主要方法
4.2.3 知識約簡方法
4.2.4 基於支持向量機效能模型
4.2.5 本節小結
4.3 基於支持向量機的武器系統參數費用模型
4.3.1 引言
4.3.2 武器系統參數費用模型
4.3.3 知識約簡方法
4.3.4 基於支持向量機參數費用模型
4.3.5 本節小結
4.4 基於主成分分析和支持向量機的威脅判斷模型
4.4.1 引言
4.4.2 威脅判斷的指標選取
4.4.3 主成分分析
4.4.4 基於支持向量機威脅度評估模型
4.4.5 本節小結
4.5 基於支持向量機的電價組合預測
4.5.1 電價預測概況
4.5.2 組合預測研究現狀
4.5.3 線性組合預測
4.5.4 支持向量機非線性組合預測模型
4.5.5 算例分析和討論
4.5.6 本節小結
4.6 基於支持向量機的船型主尺度要素數學模型
4.6.1 概述
4.6.2 支持向量機回歸模型
4.6.3 船型主尺度要素的支持向量機回歸模型
4.6.4 與其他方法比較
4.6.5 本節小結
4.7 基於粗糙集與模糊支持向量機的模式分類方法
4.7.1 粗糙集理論預處理方法
4.7.2 模糊支持向量機
4.7.3 實驗結果及分析
4.7.4 本節小結
4.8 本章小結
第5章 個人信用評價指標體系的構建
5.1 個人信用評估定義
5.2 個人信用評估模式
5.3 個人信用評價指標體系構建原則
5.4 國外個人信用評價體系情況
5.5 國內個人信用評價體系情況
5.6 個人信用評價指標建立
5.7 個人信用數據的來源和預處理
5.8 德國個人信用數據集
第6章 SPSSClementine語言
6.1 SPSSClementine語言介紹
6.2 SPSSClementine語言使用
6.2.1 操作界面的介紹
6.2.2 數據流基本操作的介紹
6.3 SPSSClementine語言示例1：因子分析
6.4 SPSSClementine語言示例2：神經網路
第7章 基於決策樹C5.0算法的個人信用評估
7.1 決策樹方法
7.2 ID3 算法
7.3 C4.5 算法
7.4 C5.0 算法及實例
7.5 基於C5.0算法的個人信用評估
7.6 誤分類損失分析
7.7 本章小結
第8章 基於分類與回歸樹的個人信用評估
8.1 分類與回歸樹方法
8.1.1 分類與回歸樹方法概況
8.1.2 生成最大樹
8.1.3 樹的修剪
8.1.4 子樹評估
8.2 基於CART的個人信用評估
8.3 誤分類損失分析
8.4 本章小結
第9章 基於神經網路的個人信用評估
9.1 神經網路概況
9.2 神經網路模型
9.2.1 生物神經網路的啟示
9.2.2 人工神經元模型
9.2.3 人工神經網路模型
9.3 神經網路的特徵
9.3.1 神經網路的工作過程
9.3.2 神經網路的學習規則
9.3.3 神經網路的特點及套用領域
9.4 多層感知器和BP算法
9.4.1 多層感知器網路結構
9.4.2 BP算法傳播過程
9.4.3 算法學習規則
9.4.4 算法步驟
9.4.5 BP算法優缺點
9.5 基於神經網路的個人信用評估方法
9.6 專家設定
9.7 本章小結
第10章 基於支持向量機分類的個人信用評估
10.1 支持向量機分類
10.2 基於支持向量機分類的個人信用評估方法
10.2.1 字元和數位化混合數據集
10.2.2 數位化數據集
10.3 本章小結
第11章 基於K均值與支持向量機的個人信用評估
11.1 K均值算法
11.1.1 K均值數學模型
11.1.2 K—均值算法及例子
11.1.3 K—means聚類算法的MATLAB實現
11.2 測試數據說明
11.3 簡單聚類方法
11.4 基於支持向量機的分類方法
11.5 與K—means結合的支持向量機個人信用評估方法
11.6 本章小結
第12章 總結
附錄A 簡單聚類個人信用評估方法程式
附錄B 基於支持向量機的分類方法
附錄C 與K—means結合的支持向量機方法
參考文獻
1.1 支持向量機研究現狀
1.2 個人信用評估的意義及發展
1.2.1 個人信用評估的意義
1.2.2 個人信用評估的發展歷史
1.2.3 個人信用評估的現狀
1.3 個人信用評估的主要方法
1.4 本書內容結構框架
第2章 支持向量機理論
2.1 支持向量機概述
2.2 統計學習理論
2.2.1 統計學習理論的核心內容
2.2.2 學習過程一致性的條件
2.2.3 VC維
2.2.4 推廣性的界
2.2.5 結構風險最小化
2.3 支持向量機內涵
2.4 支持向量分類
2.4.1 線性支持向量機
2.4.2 非線性支持向量機
2.4.3 支持向量機的核函式
2.4.4 訓練算法
2.5 支持向量回歸
2.5.1 線性回歸情形
2.5.2 非線性回歸情形
2.6 支持向量機模型的參數選擇
2.7 支持向量機的變形算法
2.7.1 C—SVM算法
2.7.2 V—SVM算法
2.7.3 One—classSVM算法
2.7.4 WSVM算法
2.7.5 最小二乘支持向量機算法
2.7.6 粒度支持向量機算法
2.7.7 孿生支持向量機算法
2.7.8 簡約支持向量機算法
2.7.9 排序支持向量機算法
2.7.10 基於組合的支持向量機算法
2.7.11 基於多類問題的支持向量機算法
2.8 支持向量機方法的特點
2.9 本章小結
第3章 支持向量機工具箱及套用
3.1 支持向量機軟體介紹
3.2 LS—SVMlab的使用
3.2.1 LS—SVMlab工具箱簡介
3.2.2 LS—SVMIab工具箱的使用方法
3.2.3 實例
3.3 MATLABSVMToolbox的使用
3.3.1 MATLABSVMToolbox工具箱簡介
3.3.2 MATLABSVMToolbox工具箱的使用方法
3.3.3 實例
3.4 LIBSVM
3.4.1 LIBSVM簡介
3.4.2 Windows作業系統下LIBSVM執行檔的使用
3.1.3 在MATLAB下使用LIBSVM
3.4.4 實例
第4章 支持向量機的套用
4.1 不同準則下的線性支持向量機回歸
4.1.1 支持向量機回歸模型
4.1.2 使殘差的平方和為最小
4.1.3 使殘差的最大絕對值為最小
4.1.4 使殘差的絕對值之和為最小
4.1.5 實例計算與分析
4.1.6 本節小結
4.2 基於粗糙集和支持向量機的效能評定
4.2.1 引言
4.2.2 效能評定的主要方法
4.2.3 知識約簡方法
4.2.4 基於支持向量機效能模型
4.2.5 本節小結
4.3 基於支持向量機的武器系統參數費用模型
4.3.1 引言
4.3.2 武器系統參數費用模型
4.3.3 知識約簡方法
4.3.4 基於支持向量機參數費用模型
4.3.5 本節小結
4.4 基於主成分分析和支持向量機的威脅判斷模型
4.4.1 引言
4.4.2 威脅判斷的指標選取
4.4.3 主成分分析
4.4.4 基於支持向量機威脅度評估模型
4.4.5 本節小結
4.5 基於支持向量機的電價組合預測
4.5.1 電價預測概況
4.5.2 組合預測研究現狀
4.5.3 線性組合預測
4.5.4 支持向量機非線性組合預測模型
4.5.5 算例分析和討論
4.5.6 本節小結
4.6 基於支持向量機的船型主尺度要素數學模型
4.6.1 概述
4.6.2 支持向量機回歸模型
4.6.3 船型主尺度要素的支持向量機回歸模型
4.6.4 與其他方法比較
4.6.5 本節小結
4.7 基於粗糙集與模糊支持向量機的模式分類方法
4.7.1 粗糙集理論預處理方法
4.7.2 模糊支持向量機
4.7.3 實驗結果及分析
4.7.4 本節小結
4.8 本章小結
第5章 個人信用評價指標體系的構建
5.1 個人信用評估定義
5.2 個人信用評估模式
5.3 個人信用評價指標體系構建原則
5.4 國外個人信用評價體系情況
5.5 國內個人信用評價體系情況
5.6 個人信用評價指標建立
5.7 個人信用數據的來源和預處理
5.8 德國個人信用數據集
第6章 SPSSClementine語言
6.1 SPSSClementine語言介紹
6.2 SPSSClementine語言使用
6.2.1 操作界面的介紹
6.2.2 數據流基本操作的介紹
6.3 SPSSClementine語言示例1：因子分析
6.4 SPSSClementine語言示例2：神經網路
第7章 基於決策樹C5.0算法的個人信用評估
7.1 決策樹方法
7.2 ID3 算法
7.3 C4.5 算法
7.4 C5.0 算法及實例
7.5 基於C5.0算法的個人信用評估
7.6 誤分類損失分析
7.7 本章小結
第8章 基於分類與回歸樹的個人信用評估
8.1 分類與回歸樹方法
8.1.1 分類與回歸樹方法概況
8.1.2 生成最大樹
8.1.3 樹的修剪
8.1.4 子樹評估
8.2 基於CART的個人信用評估
8.3 誤分類損失分析
8.4 本章小結
第9章 基於神經網路的個人信用評估
9.1 神經網路概況
9.2 神經網路模型
9.2.1 生物神經網路的啟示
9.2.2 人工神經元模型
9.2.3 人工神經網路模型
9.3 神經網路的特徵
9.3.1 神經網路的工作過程
9.3.2 神經網路的學習規則
9.3.3 神經網路的特點及套用領域
9.4 多層感知器和BP算法
9.4.1 多層感知器網路結構
9.4.2 BP算法傳播過程
9.4.3 算法學習規則
9.4.4 算法步驟
9.4.5 BP算法優缺點
9.5 基於神經網路的個人信用評估方法
9.6 專家設定
9.7 本章小結
第10章 基於支持向量機分類的個人信用評估
10.1 支持向量機分類
10.2 基於支持向量機分類的個人信用評估方法
10.2.1 字元和數位化混合數據集
10.2.2 數位化數據集
10.3 本章小結
第11章 基於K均值與支持向量機的個人信用評估
11.1 K均值算法
11.1.1 K均值數學模型
11.1.2 K—均值算法及例子
11.1.3 K—means聚類算法的MATLAB實現
11.2 測試數據說明
11.3 簡單聚類方法
11.4 基於支持向量機的分類方法
11.5 與K—means結合的支持向量機個人信用評估方法
11.6 本章小結
第12章 總結
附錄A 簡單聚類個人信用評估方法程式
附錄B 基於支持向量機的分類方法
附錄C 與K—means結合的支持向量機方法
參考文獻
