不平衡数据的构造性学习理论与方法

前言 第1章不概述1.1引言 1.2不的含义1.2.1问题定义 1.2.2应用领域 1.3不方法概述1.3.1数据层面方法1.3.2算法层面方法1.4模型评估指标 1.4.1正确率 1.4.2查准率 1.4.3查全率 1.4.4 F度量值 1.4.5几何平均度量值 1.4.6接受者操作特曲线1.4.7曲线积 第2章构造覆盖算法2.1构造覆盖分类模型2.1.1模型学习 2.1.2预测 2.2构造覆盖集成分类模型2.2.1模型不确定分析2.2.2基于投票的集成模型2.2.3模型能分析 第3章构造 SMOTE 过采样方法3.1问题描述 3.2三支决策模型 3.3构造 SMOTE过采样方法 3.3.1构造SMOTE的三支决策模型 3.3.2构造SMOTE过采样集成模型 3.4模型分析与能评估 3.4.1模型评估基本设置 3.4.2参数敏感分析 3.4.3模型能评估 第4章构造SMOTE 混合采样方法4.1问题描述 4.2构造 SMOTE 混合采样方法4.2.1 SMOTE 及其改进算法分析4.2.2 CCA 清洗策略 4.2.3成对清洗策略 4.2.4 SMOTE + CCA算法 4.3模型分析与能评估 4.3.1模型评估基本设置 4.3.2数据清洗结果分析 4.3.3模型能评估 第5章构造欠采样集成方法 5.1问题描述 5.2 SDUS算法 5.2.1空间邻域挖掘 5.2.2样本选择 5.2.3欠采样集成框架5.3模型复杂度分析 5.3.1邻域挖掘复杂度分析 5.3.2欠采样复杂度分析5.4模型分析与能评估5.4.1模型评估基本设置5.4.2参数敏感分析5.4.3模型能评估 第6章构造集成过采样方法6.1问题描述 6.2 NA-SMOTE 算法6.2.1少数类邻域挖掘 …… 12.3基于拓扑结构信息的引力分类方法12.3.1基于IMKOG的引力分类算法 12.4 IMKOG 模型复杂度分析 12.5模型分析与能评估 12.5.1自适应的不平衡k近邻图构建方法 12.5.2基于IMKOG的引力分类算法 12.5.3几种近邻图分类结果的可视化比较 第13章不研究挑战与展望 13.1不平衡数据的二分类 13.1.1类结构分析 13.1.2类不平衡 13.1.3分类器输出调整 13.1.4集成学习 13.2不平衡数据的多分类 13.2.1数据预法 13.2.2多类分解 13.2.3多分类器 13.3多标签、多样本的不平衡数据分类13.4不平衡数据的回归问题 13.5半监督、无监督的不 13.6不平衡数据流学习 13.7大规模不平衡数据 13.8不平衡数据的数据复杂研究