机器学习中的不平衡分类方法2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习中的不平衡分类方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 概述1

1.2 分类问题概述1

1.3 不平衡分类问题概述2

1.4 研究背景2

1.5 发展历程3

1.6 应用现状5

参考文献6

第2章 模型评估与选择8

2.1 训练误差与测试误差8

2.2 过拟合与欠拟合9

2.3 模型选择10

2.4 评估方法11

2.5 假设检验14

2.5.1 T-test检验14

2.5.2 Wilcoxon秩和检验15

2.5.3 方差分析（ANOVA）15

第3章 不平衡分类学习策略17

3.1 重采样策略17

3.1.1 经典过采样技术17

3.1.2 经典欠采样方法18

3.2 代价敏感学习19

3.3 单类别学习20

3.4 集成学习方法20

3.5 新型采样策略21

3.5.1 基于KNN降噪滤波的不平衡分类框架21

3.5.2 KNN噪声滤波器22

3.5.3 基于欠采样方法的KF噪声滤波器22

3.5.4 算法复杂度分析24

3.5.5 实验与结果分析24

3.5.6 基于迭代分割滤波器的降噪不平衡分类算法32

参考文献34

第4章 贝叶斯分类器35

4.1 贝叶斯理论35

4.1.1 条件概率和乘法公式35

4.1.2 全概率公式和贝叶斯公式35

4.1.3 极大后验假设与极大似然假设36

4.1.4 事件的独立性36

4.2 朴素贝叶斯分类器37

4.2.1 朴素贝叶斯分类器描述37

4.2.2 性能分析39

4.2.3 NBC特征分析41

4.3 代价敏感朴素贝叶斯分类器41

4.3.1 二类不平衡分类41

4.3.2 多类不平衡分类43

4.4 参数选择44

4.4.1 二类不平衡分类44

4.4.2 多类不平衡分类45

4.5 仿真实验与比较分析45

4.5.1 二类不平衡分类45

4.5.2 多类不平衡分类48

4.6 本章小结56

参考文献57

第5章 决策树与随机森林58

5.1 基本流程58

5.1.1 决策树定义及结构58

5.1.2 决策树学习步骤58

5.2 划分选择59

5.2.1 信息增益59

5.2.2 增益率59

5.2.3 基尼基数60

5.3 剪枝处理60

5.4 随机森林60

5.5 随机森林集成62

5.5.1 融合的基本原则62

5.5.2 不平衡数据的模型集成方案62

5.6 本章小结64

参考文献64

第6章 支持向量机65

6.1 支持向量机原理65

6.1.1 超平面与几何间隔最大化65

6.1.2 拉格朗日对偶函数67

6.1.3 核函数的引入68

6.2 序列最小优化算法70

6.3 不平衡分类SVM研究71

6.4 基于距离的多子域加权欠采样SVM算法71

6.4.1 基于几何间距的多子域加权欠采样算法71

6.4.2 WU-SVM算法73

6.4.3 小结75

6.5 基于GA过采样的SVM算法76

6.5.1 基于GA的过采样76

6.5.2 递归支持向量机（R-SVM）76

6.5.3 GR-SVM算法77

6.6 WU-SVM仿真实验与结果分析78

6.6.1 二类不平衡分类78

6.6.2 多类不平衡分类88

6.7 本章小结90

参考文献90

第7章 集成学习与强化学习92

7.1 个体与集成92

7.2 Boosting93

7.3 Bagging95

7.4 强化学习96

7.4.1 强化学习的基本元素97

7.4.2 策略选择98

7.4.3 有模型学习99

7.4.4 免模型学习100

7.5 本章小结102

参考文献102

第8章 遗传规划分类104

8.1 进化计算基本理论104

8.2 遗传规划理论106

8.2.1 遗传规划基本流程106

8.2.2 遗传规划的特点107

8.2.3 个体表示和适应度函数107

8.2.4 种群的产生方法108

8.2.5 遗传操作109

8.2.6 终止准则与结果判定110

8.3 遗传规划分类器111

8.3.1 遗传规划分类模型111

8.3.2 两类问题112

8.3.3 多类问题114

8.4 遗传规划分类器集成115

8.4.1 利用遗传规划进行集成的基本原理115

8.4.2 遗传规划集成学习的相关设置116

8.4.3 算法描述117

8.5 遗传规划不平衡分类器118

8.5.1 多目标遗传规划118

8.5.2 不平衡分类问题中的多目标问题119

8.5.3 基于多目标的遗传规划用于不平衡分类120

8.6 遗传规划用于不平衡分类实例120

8.6.1 MOGP进化搜索算法120

8.6.2 分类器集成选择121

8.6.3 实验结果122

8.6.4 分类器集成改进124

8.7 本章小结124

参考文献124

第9章 非平稳环境学习126

9.1 非平稳环境下的变化检测126

9.1.1 检测变量与检验方法126

9.1.2 非平稳环境检测的最新研究进展130

9.2 增量式学习算法的研究130

9.2.1 增量学习方式131

9.2.2 最新动态134

9.2.3 经典测试数据集及评估指标135

9.3 本章小结137

参考文献137

第10章 迁移学习139

10.1 迁移学习139

10.2 迁移学习类型140

10.2.1 同构迁移学习140

10.2.2 异构迁移学习140

10.3 迁移学习方法141

10.3.1 实例权重法141

10.3.2 特征表示法142

10.3.3 参数迁移法148

10.3.4 知识关联法149

10.4 迁移学习运用149

10.5 本章小结150

参考文献151

第11章 典型应用案例153

11.1 网络入侵检测153

11.1.1 背景153

11.1.2 网络入侵检测数据153

11.1.3 GA过采样154

11.1.4 SVM参数寻优154

11.1.5 特征提取分析157

11.1.6 实验结果及分析157

11.2 医疗诊断160

11.2.1 不平衡分类在医疗诊断中的应用160

11.2.2 乳腺癌诊断161

11.2.3 仿真结果与分析162

11.3 短文本分类163

11.3.1 短文本分类概述163

11.3.2 文本表示相关的主要模型163

11.3.3 特征降维165

11.3.4 基于WU-SVM的短文本分类168

11.3.5 小结174

第12章 人工智能平台——AIThink175

12.1 AIThink平台介绍175

12.2 平台功能及用途176

12.3 平台内容178