高新科技译丛 模式分类的集成方法PDF|Epub|txt|kindle电子书版本网盘下载

高新科技译丛 模式分类的集成方法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 模式分类概述1

1.1 模式分类1

1.2 诱导算法3

1.3 规则推导4

1.4 决策树4

1.5 贝叶斯方法7

1.5.1 概述7

1.5.2 朴素贝叶斯方法7

1.5.3 其他贝叶斯方法10

1.6 其他诱导方法10

1.6.1 神经网络10

1.6.2 遗传算法12

1.6.3 基于示例的学习12

1.6.4 支持向量机13

第2章 集成学习概述14

2.1 回到起源15

2.2 群体的智慧16

2.3 Bagging算法16

2.4 Boosting算法22

2.5 AdaBoost算法23

2.6 没有免费的午餐理论和集成学习29

2.7 偏差解构和集成学习30

2.8 Occam剃刀和集成学习32

2.9 分类器相关性33

2.9.1 相关性方法33

2.9.2 独立方法41

2.10 用于复杂分类任务的集成方法48

2.10.1 代价敏感的分类48

2.10.2 用于概念漂移学习的集成48

2.10.3 拒绝驱动分类49

第3章 集成分类50

3.1 融合方法50

3.1.1 加权方法50

3.1.2 多数投票法50

3.1.3 性能加权法51

3.1.4 分布求和法52

3.1.5 贝叶斯联合法52

3.1.6 Dempster-Shafer推理法53

3.1.7 Vogging方法53

3.1.8 朴素贝叶斯方法53

3.1.9 熵加权法53

3.1.10 基于密度的加权方法54

3.1.11 DEA加权法54

3.1.12 对数评价池法54

3.1.13 顺序统计法54

3.2 选择性分类54

3.2.1 划分示例空间57

3.3 专家混合与元学习61

3.3.1 Stacking算法62

3.3.2 仲裁树64

3.3.3 组合树65

3.3.4 分级法66

3.3.5 门网络法67

第4章 集成的多样性69

4.1 概述69

4.2 操控诱导器70

4.2.1 操控诱导器的参数70

4.2.2 假设空间的初始点71

4.2.3 假设空间的遍历71

4.3 操控训练样本71

4.3.1 重采样72

4.3.2 样本创建74

4.3.3 样本划分74

4.4 操控目标属性表示75

4.4.1 类标转换76

4.5 划分搜索空间76

4.5.1 划分和竞争法77

4.5.2 基于特征子集的集成方法78

4.6 多类型诱导器83

4.7 多样性度量84

第5章 集成选择87

5.1 集成选择87

5.2 集成规模的预选取87

5.3 训练阶段集成规模的选择88

5.4 删减——集成规模的后选择88

5.4.1 基于排序的方法89

5.4.2 基于搜索的方法90

5.4.3 基于聚类的方法93

5.4.4 删减时机94

第6章 误差纠错输出编码96

6.1 多类问题的编码矩阵分解97

6.2 类型Ⅰ：给定编码矩阵的集成训练方法98

6.2.1 纠错输出编码99

6.2.2 编码矩阵框架100

6.2.3 编码矩阵的设计101

6.2.4 正交排列（OA）104

6.2.5 Hadamard矩阵105

6.2.6 概率纠错输出编码106

6.2.7 其他ECOC策略106

6.3 类型Ⅱ：多类问题的自适应编码矩阵107

第7章 分类器集成的评价111

7.1 泛化误差111

7.1.1 泛化误差的理论估计111

7.1.2 泛化误差的实验估计112

7.1.3 精度度量的替代者114

7.1.4 F-度量115

7.1.5 混淆矩阵116

7.1.6 在有限资源下的分类器的评价117

7.1.7 用于对比集成的统计测试125

7.2 计算复杂度127

7.3 集成结果的可解释性128

7.4 大规模数据的可量测性129

7.5 鲁棒性130

7.6 稳定性130

7.7 灵活性130

7.8 可用性130

7.9 软件实用性131

7.10 应该选用哪个集成方法132

参考文献134

高新科技译丛丛书书目175