類別不平衡學習：理論與算法

內容簡介

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，其在很多套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布的危害預評估技術(第9章)。最後，對該領域未來的發展方向及套用前景做出了評述與展望(第10章)。

目錄結構

第1章緒論

1.1引言

1.2基本概念

1.3常用技術

1.4套用領域

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類別不平衡分布對傳統分類器性能的影響機理

2.1.1類別不平衡分布對樸素貝葉斯分類器的影響

2.1.2類別不平衡分布對支持向量機的影響

2.1.3類別不平衡分布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最佳化採樣技術

3.5實驗結果及討論

3.5.1數據集描述及參數設定

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基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數據集與參數設定

4.5.2結果與討論

4.6本章小結

類別不平衡學習：理論與算法

基本介紹

內容簡介

目錄結構

相關詞條

熱門詞條