不均衡数据SVM分类算法及其应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

不均衡数据SVM分类算法及其应用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

第一章 概述1

1.1问题的本质4

1.2国内外不均衡学习研究现状11

1.2.1算法层面的处理方法12

1.2.2样本层面的处理方法13

1.3评估指标14

1.4本书的安排17

第二章支持向量机综述19

2.1支持向量机20

2.1.1最优分类界面的定义20

2.1.2最优分类界面的构建23

2.1.3广义最优分类界面26

2.1.4支持向量机的构建29

2.2核函数30

2.2.1高斯核函数32

2.2.2多项式核函数32

2.2.3S型核函数32

2.3不均衡数据对SVM性能的影响33

2.4本章小结35

第三章不均衡学习的抽样方法37

3.1随机过抽样和欠抽样37

3.2 informed欠抽样38

3.3数据生成的合成抽样方法43

3.4自适应合成抽样方法45

3.5利用数据清洁技术的抽样50

3.6基于聚类的抽样方法53

3.7抽样和Boosting算法的集成56

3.8实验分析58

3.9本章小结68

第四章基于ODR和BSMOTE的不均衡SVM分类算法71

4.1 KNN算法71

4.2 ODR欠抽样算法73

4.3 ODR-BSMOTE-SVM算法75

4.4对比算法简介77

4.4.1 RU-BSMOTE-SVM算法77

4.4.2 KSMOTE-SVM算法79

4.5仿真实验及性能分析80

4.5.1实验数据80

4.5.2不同算法的性能比较81

4.5.3不同比例下不均衡数据的性能比较84

4.5.4参数α对算法性能的影响86

4.5.5分析结论90

4.6本章小结90

第五章基于阴性免疫过抽样的不均衡分类算法93

5.1不均衡数据下传统过抽样算法94

5.2基于阴性免疫的过抽样算法95

5.2.1检测器表示及亲和度定义95

5.2.2检测器移动操作96

5.2.3检测器间覆盖度的测量标准96

5.2.4检测器克隆增殖操作97

5.2.5检测器变异操作97

5.2.6检测器克隆选择及消亡操作98

5.3基于阴性免疫的过抽样算法流程99

5.4对标称值属性的处理101

5.5仿真实验及性能分析101

5.5.1 NI算法生成人工样本的试验101

5.5.2不同过抽样算法的性能对比试验103

5.5.3不同不均衡数据比例的性能对比试验105

5.5.4分析与总结106

5.6本章小结108

第六章基于谱聚类欠抽样不均衡SVM分类算法109

6.1 SVM在不均衡数据下分类边界的偏移110

6.2基于谱聚类的欠抽样算法112

6.2.1传统欠抽样算法分析112

6.2.2基于谱聚类的欠抽样113

6.3基于谱聚类欠抽样不均衡SVM算法115

6.4实验分析及对比117

6.4.1实验数据117

6.4.2不同算法的分类性能比较117

6.4.3不同比例下不均衡数据分类性能比较129

6.4.4高斯核半径的参数对算法性能的影响129

6.5本章小结134

第七章集成方法137

7.1分类器集成学习138

7.2 Bagging141

7.3随机森林143

7.4 Boosting143

7.4.1 AdaBoost算法145

7.4.2上边界定理及参数α的选择148

7.4.3加权的效率151

7.4.4前向的stagewise累计模型152

7.5本章小结153

第八章集成算法的理论分析155

8.1平方损失函数的混淆分解155

8.2偏差和方差的错误分解框架156

8.3错误分解与混淆分解的关联157

8.4多数投票策略集成的错误分解160

8.5差异性创建策略162

8.5.1训练样本的处理162

8.5.2结构的处理165

8.5.3惩罚项方法165

8.5.4进化方法168

8.6不同训练集下分类器的偏差和方差错误测试方法171

8.7 SVM集成算法性能随核参数变化试验174

8.8不同分类器之间的差异性度量方法178

8.9采样率对分类精度的影响试验180

8.10本章小结185

第九章两类不均衡数据学习的代价敏感学习算法187

9.1代价敏感的AdaBoost算法189

9.1.1 AdaC1算法191

9.1.2 AdaC2算法193

9.1.3 AdaC3算法196

9.1.4三种算法性能分析199

9.2成本敏感指数损失和AdaC2201

9.3代价因子分析202

9.4其他相关的算法204

9.4.1 AdaCost算法205

9.4.2 CSB1和CSB2算法206

9.4.3 RareBoost算法206

9.5重抽样的影响207

9.6多类别不均衡数据分类算法211

9.7实验分析215

9.8本章小结216

第十章基于核聚类欠抽样集成不均衡SVM分类算法223

10.1 SVM在不均衡数据下分类边界的偏移223

10.2基于核聚类的欠抽样SVM算法225

10.2.1传统欠抽样算法分析225

10.2.2基于核聚类的欠抽样227

10.3基于核聚类欠抽样集成SVM分类算法230

10.4核聚类欠抽样集成SVM算法复杂度231

10.5仿真实验及性能分析232

10.5.1实验数据232

10.5.2不同数据预处理算法的分类性能比较232

10.5.3不同比例下不均衡数据分类性能比较234

10.5.4不同比例下不同算法的效率比较248

10.5.5不同不均衡数据集成分类算法性能比较248

10.5.6高斯核半径的参数对算法性能的影响257

10.6本章小结259

第十一章核偏移及主动学习欠抽样不均衡SVM算法261

11.1核边界偏移算法262

11.2 KBA算法流程264

11.3主动学习欠抽样策略266

11.3.1 SVM在不均衡数据下分类边界的偏移266

11.3.2传统欠抽样算法分析267

11.3.3基于主动学习的欠抽样269

11.3.4基于主动学习欠抽样不均衡SVM算法270

11.4实验分析及对比272

11.4.1实验数据272

11.4.2不同算法的分类性能比较273

11.4.3不同比例下不均衡数据分类性能比较281

11.4.4 α参数对算法性能的影响282

11.4.5参数L对算法性能的影响291

11.5本章小结291

第十二章不均衡SVM分类算法在故障诊断中的应用295

12.1故障检测的内容介绍296

12.2故障特征参量的选取298

12.3 ODR-BSMOTE故障诊断方法实验299

12.3.1不同比例故障数据下算法性能分析300

12.3.2参数α对算法性能的影响301

12.3.3参数k对算法性能的影响306

12.3.4泛化能力对比实验307

12.3.5分析结论308

12.4基于BSMOTE代价敏感不均衡故障诊断算法309

12.4.1不均衡数据对SVM检测性能的影响试验309

12.4.2不同SVM不均衡分类策略的对比实验310

12.4.3 BSMOTE参数对SVM性能的影响试验313

12.4.4泛化能力对比实验313

12.4.5分析与讨论315

12.5本章小结315

第十三章结论与展望317

参考文献323