《模式分類的集成方法》是2015年11月國防工業出版社出版的圖書，作者是黃文龍。
基本介紹
- 書名：模式分類的集成方法
- 作者：黃文龍
- ISBN：9787118103977
- 頁數：177頁
- 定價：69.90元
- 出版社：國防工業出版社
- 出版時間：2015年11月
- 裝幀：精裝
- 開本：16開
- 版次：1版1次
- 字數：213
- 中圖分類：O235
- 叢書名：高新科技譯叢
內容簡介,圖書目錄,
內容簡介
《模式分類的集成方法》主要討論了集成學習的概念、構成、作用及其新研究成果，重點介紹了新的、高效且實用的集成學習算法，給出了分類識別的大量套用實例，總結了作者近年來在模式識別中的理論和套用研究成果。除了介紹許多重要經典的內容以外，書中還包括了近十幾年來剛剛發展起來的並被實踐證明有用的新技術、新理論。並將這些新技術套用於模式識別當中，同時提供這些新技術的實現方法和JAVA程式原始碼及相應的實驗數據，對於讀者的自學和算法驗證非常有利。針對其中具有代表性的幾種算法，對其工作機制進行深入研究，並利用大量的數值試驗對算法的性能進行多方面的考查。
《模式分類的集成方法》主要內容包括：模式分類概述；集成學習的基本理論；分類器組合；經典的集成方法；集成分類的各子模組方法；集成多樣性；集成選擇；集成算法的評價。這些探討不僅對集成學習領域的研究具有非常重要的理論意義，而且也具有很強的實用參考價值。
圖書目錄
第1章 模式分類概述 1
1.1 模式分類 1
1.2 誘導算法 3
1.3 規則推導 4
1.4 決策樹 4
1.5 貝葉斯方法 7
1.5.1 概述 7
1.5.2 樸素貝葉斯方法 7
1.5.3 其他貝葉斯方法 10
1.6 其他誘導方法 10
1.6.1 神經網路 10
1.6.2 遺傳算法 12
1.6.3 基於示例的學習 12
1.6.4 支持向量機 13
第2章 集成學習概述 14
2.1 回到起源 15
2.2 群體的智慧 16
2.3 Bagging 算法 16
2.4 Boosting算法 22
2.5 AdaBoost算法 23
2.6 沒有免費的午餐理論和集成學習 29
2.7 偏差解構和集成學習 30
2.8 Occam剃刀和集成學習 32
2.9 分類器相關性 33
2.9.1 相關性方法 33
2.9.2 獨立方法 41
2.10 用於複雜分類任務的集成方法 48
2.10.1 代價敏感的分類 48
2.10.2 用於概念漂移學習的集成 48
2.10.3 拒絕驅動分類 49
第3章 集成分類 50
3.1 融合方法 50
3.1.1 加權方法 50
3.1.2 多數投票法 50
3.1.3 性能加權法 51
3.1.4 分布求和法 52
3.1.5 貝葉斯聯合法 52
3.1.6 Dempster-Shafer推理法 53
3.1.7 Vogging方法 53
3.1.8 樸素貝葉斯方法 53
3.1.9 熵加權法 53
3.1.10 基於密度的加權方法 54
3.1.11 DEA加權法 54
3.1.12 對數評價池法 54
3.1.13 順序統計法 54
3.2 選擇性分類 54
3.2.1 劃分示例空間 57
3.3 專家混合與元學習 61
3.3.1 Stacking算法 62
3.3.2 仲裁樹 64
3.3.3 組合樹 65
3.3.4 分級法 66
3.3.5 門網路法 67
第4章 集成的多樣性 69
4.1 概述 69
4.2 操控誘導器 70
4.2.1 操控誘導器的參數 70
4.2.2 假設空間的初始點 71
4.2.3 假設空間的遍歷 71
4.3 操控訓練樣本 71
4.3.1 重採樣 72
4.3.2 樣本創建 74
4.3.3 樣本劃分 74
4.4 操控目標屬性表示 75
4.4.1 類標轉換 76
4.5 劃分搜尋空間 76
4.5.1 劃分和競爭法 77
4.5.2 基於特徵子集的集成方法 78
4.6 多類型誘導器 83
4.7 多樣性度量 84
第5章 集成選擇 87
5.1 集成選擇 87
5.2 集成規模的預選取 87
5.3 訓練階段集成規模的選擇 88
5.4 刪減——集成規模的後選擇 88
5.4.1 基於排序的方法 89
5.4.2 基於搜尋的方法 90
5.4.3 基於聚類的方法 93
5.4.4 刪減時機 94
第6章 誤差糾錯輸出編碼 96
6.1 多類問題的編碼矩陣分解 97
6.2 類型Ⅰ：給定編碼矩陣的集成訓練方法 98
6.2.1 糾錯輸出編碼 99
6.2.2 編碼矩陣框架 100
6.2.3 編碼矩陣的設計 101
6.2.4 正交排列（OA) 104
6.2.5 Hadamard矩陣 105
6.2.6 機率糾錯輸出編碼 106
6.2.7 其他ECOC策略 106
6.3 類型Ⅱ：多類問題的自適應編碼矩陣 107
第7章 分類器集成的評價 111
7.1 泛化誤差 111
7.1.1 泛化誤差的理論估計 111
7.1.2 泛化誤差的實驗估計 112
7.1.3 精度度量的替代者 114
7.1.4 F-度量 115
7.1.5 混淆矩陣 116
7.1.6 在有限資源下的分類器的評價 117
7.1.7 用於對比集成的統計測試 125
7.2 計算複雜度 127
7.3 集成結果的可解釋性 128
7.4 大規模數據的可量測性 129
7.5 魯棒性 130
7.6 穩定性 130
7.7 靈活性 130
7.8 可用性 130
7.9 軟體實用性 131
7.10 應該選用哪個集成方法 132
參考文獻 134
高新科技譯叢叢書書目 175
