基於統計學習理論的支持向量機是機器學習研究的一個熱點方向，在許多領域中有著廣泛的套用。《支持向量機建模及套用》是一部研究支持向量機學習的理論、方法及套用的專著。在支持向量機學習框架下，通過融合新的理論和機器學習研究成果，系統闡述了支持向量機的建模方法，探索了解決支持向量機的模型選擇、效率加速、泛化能力提高、套用範圍拓展等問題的新途徑。《支持向量機建模及套用》共分八章，第一章對支持向量機基本方法進行了簡介，第二章主要介紹所建立的支持向量機模型選擇的理論與方法，第三至六章分別介紹了基於領域知識融合的支持向量機建模、基於粒度計算的支持向量機建模、基於半監督學習的支持向量機建模和基於集成學習的支持向量機建模方法，第七章是對大規模數據的支持向量機處理方法，第八章介紹了書中以支持向量機為核心的建模方法在一些典型領域中的套用。《支持向量機建模及套用》可供計算機、自動化及相關專業機器學習領域的研究人員、教師、研究生和工程技術人員參考。
基本介紹
- 書名：支持向量機建模及套用
- 出版社：科學出版社
- 頁數：276頁
- 開本：5
- 品牌：科學出版社
- 作者：王文劍 門昌騫
- 出版日期：2014年3月1日
- 語種：簡體中文
- ISBN：7030401670
內容簡介,圖書目錄,
內容簡介
王文劍、門昌騫編著的《支持向量機建模及套用》共8章。第1章給出支持向量機的基本原理，介紹了支持向量機研究的一些基本概念；第2章深入探討支持向量機套用中重要的模型選擇方法，提出一些有效可行的支持向量機模型選擇算法；第3章探討如何在具體套用中結合領域知識設計新型的支持向量機學習算法，以有效提高支持向量機的學習能力；第4章通過粒度計算思想的引入，改進了傳統支持向量機模型，使之更好地模擬人類對現實世界的主觀認知，提升學習器的學習效率；第5章針對現實問題中遇到的大量半監督問題，給出支持向量機與半監督學習問題融合的方案，可以有效解決半監督學習問題；第6章從集成學習的角度出發，設計集成支持向量機的學習算法，可以有效提高學習器的泛化性能；第7章針對大規模高維複雜數據，給出高效的支持向量機改進算法，可以有效降低複雜度，使支持向量機有較高的推廣價值；第8章在空氣品質預測、郵件分類、圖像分割實際套用問題中說明支持向量機新模型的有效性。
圖書目錄
《信息科學技術學術著作叢書》序
序
前言
第1章支持向量機方法
1.1統計學習理論
1.1.1經驗風險極小化原理
1.1.2結構風險極小化原理
1.2支持向量機學習方法
1.2.1基本形式
1.2.2基本性質
1.2.3其他形式
1.3支持向量機的發展現狀
1.3.1誤差界估計及模型選擇
1.3.2算法加速
1.3.3與其他方法的融合
參考文獻
第2章支持向量機的模型選擇
2.1模型選擇問題
2.2基於尺度空間理論的核選擇方法
2.3基於回歸的核選擇方法
2.4基於數據分布的模型選擇方法
2.5基於凸包估計的核選擇方法
第3章基於領域知識的支持向量機建模
3.1領域知識與支持向量機的融合
3.1.1經驗知識
3.1.2不變性常識與SVM的融合技術
3.2基於最佳逼近點的不變性常識支持向量機模型
3.2.1基於最佳逼近點的不變性常識與支持向量機的融合方法
3.2.2數值實驗
3.3基於時間相關性核的支持向量機模型
3.3.1時序核函式構造
3.3.2環境時序預測建模方法
3.3.3數值實驗
第4章基於粒度計算的支持向量機建模
4.1粒度計算概述
4.1.1粒度計算的基本概念
4.1.2粒度計算的基本模型及現狀
4.2粒度支持向量機概述
4.2.1粒度支持向量機基本思想
4.2.2幾種典型的粒度支持向量機學習模型
4.3基於核方法的粒度支持向量機模型
4.3.1基於粒度核的粒度支持向量機模型
4.3.2基於核空間的GSVM模型
4.4基於多維關聯規則的粒度支持向量機模型
4.4.1基於關聯規則的粒度支持向量機學習模型
4.4.2基於多維關聯規則的粒劃分
4.4.3基於多維關聯規則挖掘的GSVM學習方法
4.4.4實驗結果與分析
第5章基於半監督學習的支持向量機建模
5.1半監督學習方法
5.2直推支持向量機學習模型
5.2.1直推支持向量機
5.2.2LS—TSVM
5.3協同支持向量機學習模型
5.3.1經典的半監督協同訓練方法
5.3.2基於差異性度量的支持向量回歸機協同學習方法
第6章基於集成學習的支持向量機建模
6.1集成學習方法
6.1.1集成學習方法簡介
6.1.2經典的集成學習方法
6.2集成學習建模
6.2.1基於Bagging算法的回歸支持向量機集成建模
6.2.2基於特徵選擇的支持向量機Bagging模型
6.2.3選擇性支持向量機集成模型
6.2.4面向大數據的集成支持向量機模型
6.2.5基於集成支持向量機的核參數選擇
第7章大規模數據的支持向量機建模
7.1基於相似度度量的支持向量機建模
7.1.1支持向量機的訓練算法
7.1.2基於相似度度量的快速支持向量回歸方法
7.1.3數值實驗
7.1.4算法在壓縮訓練集方面的有效性驗證
7.1.5不同規模訓練集上的實驗分析
7.1.6相似度閾值在算法中的作用
7.1.7算法對大規模訓練集的有效性驗證
7.2基於神經網路的支持向量機建模
7.2.1神經網路簡介
7.2.2基於ART神經網路的支持向量機
7.2.3基於SOM神經網路的支持向量機
7.2.4實驗結果及相關分析
7.3基於增量學習的支持向量機模型
7.3.1面向分類的支持向量機增量學習模型
7.3.2面向回歸的支持向量機增量學習模型
第8章支持向量機的套用
8.1支持向量機在空氣品質預測中的套用
8.1.1基於神經網路的預測模型
8.1.2實驗結果
8.2支持向量機在中文垃圾郵件過濾中的套用
8.2.1垃圾郵件過濾模型設計
8.2.2中文電子郵件的特徵表示
8.2.3實驗數據及評價指標
8.2.4數據實驗及分析
8.3支持向量機在中文句法分析中的套用
8.3.1結構化支持向量機學習方法
8.3.2句法分析
8.3.3基於SVM—struct的中文句法分析方法
8.3.4實驗結果與分析
8.4支持向量機在圖像分類中的套用
8.4.1圖像的特徵提取與表示
8.4.2基於SVM的圖像分類方法
8.5支持向量機在非平衡分類問題中的套用
8.5.1非平衡數據處理方法
8.5.2非平衡數據分類器性能評價標準
8.5.3基於多維關聯規則挖掘的GSVM的非平衡數據學習方法
8.5.4基於聚類的GSVM的非平衡數據學習方法
序
前言
第1章支持向量機方法
1.1統計學習理論
1.1.1經驗風險極小化原理
1.1.2結構風險極小化原理
1.2支持向量機學習方法
1.2.1基本形式
1.2.2基本性質
1.2.3其他形式
1.3支持向量機的發展現狀
1.3.1誤差界估計及模型選擇
1.3.2算法加速
1.3.3與其他方法的融合
參考文獻
第2章支持向量機的模型選擇
2.1模型選擇問題
2.2基於尺度空間理論的核選擇方法
2.3基於回歸的核選擇方法
2.4基於數據分布的模型選擇方法
2.5基於凸包估計的核選擇方法
第3章基於領域知識的支持向量機建模
3.1領域知識與支持向量機的融合
3.1.1經驗知識
3.1.2不變性常識與SVM的融合技術
3.2基於最佳逼近點的不變性常識支持向量機模型
3.2.1基於最佳逼近點的不變性常識與支持向量機的融合方法
3.2.2數值實驗
3.3基於時間相關性核的支持向量機模型
3.3.1時序核函式構造
3.3.2環境時序預測建模方法
3.3.3數值實驗
第4章基於粒度計算的支持向量機建模
4.1粒度計算概述
4.1.1粒度計算的基本概念
4.1.2粒度計算的基本模型及現狀
4.2粒度支持向量機概述
4.2.1粒度支持向量機基本思想
4.2.2幾種典型的粒度支持向量機學習模型
4.3基於核方法的粒度支持向量機模型
4.3.1基於粒度核的粒度支持向量機模型
4.3.2基於核空間的GSVM模型
4.4基於多維關聯規則的粒度支持向量機模型
4.4.1基於關聯規則的粒度支持向量機學習模型
4.4.2基於多維關聯規則的粒劃分
4.4.3基於多維關聯規則挖掘的GSVM學習方法
4.4.4實驗結果與分析
第5章基於半監督學習的支持向量機建模
5.1半監督學習方法
5.2直推支持向量機學習模型
5.2.1直推支持向量機
5.2.2LS—TSVM
5.3協同支持向量機學習模型
5.3.1經典的半監督協同訓練方法
5.3.2基於差異性度量的支持向量回歸機協同學習方法
第6章基於集成學習的支持向量機建模
6.1集成學習方法
6.1.1集成學習方法簡介
6.1.2經典的集成學習方法
6.2集成學習建模
6.2.1基於Bagging算法的回歸支持向量機集成建模
6.2.2基於特徵選擇的支持向量機Bagging模型
6.2.3選擇性支持向量機集成模型
6.2.4面向大數據的集成支持向量機模型
6.2.5基於集成支持向量機的核參數選擇
第7章大規模數據的支持向量機建模
7.1基於相似度度量的支持向量機建模
7.1.1支持向量機的訓練算法
7.1.2基於相似度度量的快速支持向量回歸方法
7.1.3數值實驗
7.1.4算法在壓縮訓練集方面的有效性驗證
7.1.5不同規模訓練集上的實驗分析
7.1.6相似度閾值在算法中的作用
7.1.7算法對大規模訓練集的有效性驗證
7.2基於神經網路的支持向量機建模
7.2.1神經網路簡介
7.2.2基於ART神經網路的支持向量機
7.2.3基於SOM神經網路的支持向量機
7.2.4實驗結果及相關分析
7.3基於增量學習的支持向量機模型
7.3.1面向分類的支持向量機增量學習模型
7.3.2面向回歸的支持向量機增量學習模型
第8章支持向量機的套用
8.1支持向量機在空氣品質預測中的套用
8.1.1基於神經網路的預測模型
8.1.2實驗結果
8.2支持向量機在中文垃圾郵件過濾中的套用
8.2.1垃圾郵件過濾模型設計
8.2.2中文電子郵件的特徵表示
8.2.3實驗數據及評價指標
8.2.4數據實驗及分析
8.3支持向量機在中文句法分析中的套用
8.3.1結構化支持向量機學習方法
8.3.2句法分析
8.3.3基於SVM—struct的中文句法分析方法
8.3.4實驗結果與分析
8.4支持向量機在圖像分類中的套用
8.4.1圖像的特徵提取與表示
8.4.2基於SVM的圖像分類方法
8.5支持向量機在非平衡分類問題中的套用
8.5.1非平衡數據處理方法
8.5.2非平衡數據分類器性能評價標準
8.5.3基於多維關聯規則挖掘的GSVM的非平衡數據學習方法
8.5.4基於聚類的GSVM的非平衡數據學習方法
