相關商品
商品簡介
名人/編輯推薦
目次
書摘/試閱
商品簡介
基于統計學習理論的支持向量機是機器學習研究的一個熱點方向，在許多領域中有著廣泛的應用。《智能科學技術著作叢書：支持向量機建模及應用》是一部研究支持向量機學習的理論、方法及應用的專著。在支持向量機學習框架下，通過融合新的理論和機器學習研究成果，系統闡述了支持向量機的建模方法，探索了解決支持向量機的模型選擇、效率加速、泛化能力提高、應用范圍拓展等問題的新途徑。全書共分八章，第一章對支持向量機基本方法進行了簡介，第二章主要介紹所建立的支持向量機模型選擇的理論與方法，第三至六章分別介紹了基于領域知識融合的支持向量機建模、基于粒度計算的支持向量機建模、基于半監督學習的支持向量機建模和基于集成學習的支持向量機建模方法，第七章是對大規模數據的支持向量機處理方法，第八章介紹了書中以支持向量機為核心的建模方法在一些典型領域中的應用。《智能科學技術著作叢書：支持向量機建模及應用》可供計算機、自動化及相關專業機器學習領域的研究人員、教師、研究生和工程技術人員參考。
名人/編輯推薦
王文劍、門昌騫編著的《支持向量機建模及應用》共8章。第1章給出支持向量機的基本原理，介紹了支持向量機研究的一些基本概念；第2章深入探討支持向量機應用中重要的模型選擇方法，提出一些有效可行的支持向量機模型選擇算法；第3章探討如何在具體應用中結合領域知識設計新型的支持向量機學習算法，以有效提高支持向量機的學習能力；第4章通過粒度計算思想的引入，改進了傳統支持向量機模型，使之更好地模擬人類對現實世界的主觀認知，提升學習器的學習效率；第5章針對現實問題中遇到的大量半監督問題，給出支持向量機與半監督學習問題融合的方案，可以有效解決半監督學習問題；第6章從集成學習的角度出發，設計集成支持向量機的學習算法，可以有效提高學習器的泛化性能；第7章針對大規模高維復雜數據，給出高效的支持向量機改進算法，可以有效降低復雜度，使支持向量機有較高的推廣價值；第8章在空氣質量預測、郵件分類、圖像分割實際應用問題中說明支持向量機新模型的有效性。
目次
《信息科學技術學術著作叢書》序
序
前言
第1章 支持向量機方法
1．1 統計學習理論
1．1．1 經驗風險極小化原理
1．1．2 結構風險極小化原理
1．2 支持向量機學習方法
1．2．1 基本形式
1．2．2 基本性質
1．2．3 其他形式
1．3 支持向量機的發展現狀
1．3．1 誤差界估計及模型選擇
1．3．2 算法加速
1．3．3 與其他方法的融合
參考文獻
第2章 支持向量機的模型選擇
2．1 模型選擇問題
2．2 基于尺度空間理論的核選擇方法
2．3 基于回歸的核選擇方法
2．4 基于數據分布的模型選擇方法
2．5 基于凸包估計的核選擇方法
參考文獻
第3章 基于領域知識的支持向量機建模
3．1領域知識與支持向量機的融合
3．1. 1 經驗知識
3．1．2 不變性常識與SVM的融合技術
3．2 基于最佳逼近點的不變性常識支持向量機模型
3．2．1 基于最佳逼近點的不變性常識與支持向量機的融合方法
3．2．2 數值實聆
3．3 基于時間相關性核的支持向量機模型
3．3．1 時序核函數構造
3．3．2 環境時序預測建模方法
3．3．3 數值實驗
參考文獻
第4章 基于粒度計算的支持向量機建模
4．1 粒度計算概述
4．1．1 粒度計算的基本概念
4．1．2 粒度計算的基本模型及現狀
4．2 粒度支持向量機概述
4．2．1 粒度支持向量機基本思想
4．2．2 幾種典型的粒度支持向量機學習模型
4．3 基于核方法的粒度支持向量機模型
4．3．1 基于粒度核的粒度支持向量機模型
4．3．2 基于核空間的GSVM模型
4．4 基于多維關聯規則的粒度支持向量機模型
4．4．1 基于關聯規則的粒度支持向量機學習模型
4．4．2 基于多維關聯規則的粒劃分
4．4．3 基于多維關聯規則挖掘的GSVM學習方法
4．4．4 實驗結果與分析
參考文獻
第5章 基于半監督學習的支持向量機建模
5．1 半監督學習方法
5．2 直推支持向量機學習模型
5．2．1 直推支持向量機
5．2．2 LS-TSVM
5．3 協同支持向量機學習模型
5．3．1 經典的半監督協同訓練方法
5．3．2 基于差異性度量的支持向量回歸機協同學習方法
參考文獻
第6章 基于集成學習的支持向量機建模
6．1 集成學習方法
6．1. 1 集成學習方法簡介
6．1．2 經典的集成學習方法
6．2 集成學習建模
6．2．1 基于Bagging算法的回歸支持向量機集成建模
6．2．2 基于特征選擇的支持向量機Bagging模型
6．2．3 選擇性支持向量機集成模型
6．2．4 面向大數據的集成支持向量機模型
6．2．5 基于集成支持向量機的核參數選擇
參考文獻
第7章 大規模數據的支持向量機建模
7．1 基于相似度度量的支持向量機建模
7．1．1 支持向量機的訓練算法
7．1．2 基于相似度度量的快速支持向量回歸方法
7．1．3 數值實驗
7．1．4 算法在壓縮訓練集方面的有效性驗證
7．1．5 不同規模訓練集上的實驗分析
7．1．6 相似度閾值在算法中的作用
7．1．7 算法對大規模訓練集的有效性驗證
7．2 基于神經網絡的支持向量機建模
7．2．1 神經網絡簡介
7．2．2 基于ART神經網絡的支持向量機
7．2．3 基于SOM神經網絡的支持向量機
7．2．4 實驗結果及相關分析
7．3 基于增量學習的支持向量機模型
7．3．1 面向分類的支持向量機增量學習模型
7．3．2 面向回歸的支持向量機增量學習模型
參考文獻
第8章 支持向量機的應用
8．1 支持向量機在空氣質量預測中的應用
8．1. 1 基于神經網絡的預測模型
8．1．2 實驗結果
8．2 支持向量機在中文垃圾郵件過濾中的應用
8．2．1 垃圾郵件過濾模型設計
8．2．2 中文電子郵件的特征表示
8．2．3 實驗數據及評價指標
8．2．4 數據實驗及分析
8．3 支持向量機在中文句法分析中的應用
8．3．1 結構化支持向量機學習方法
8．3．2 句法分析
8．3．3 基于SVM-struct的中文句法分析方法
8．3．4 實驗結果與分析
8. 4 支持向量機在圖像分類中的應用
8．4．1 圖像的特征提取與表示
8．4．2 基于SVM的圖像分類方法
8．5 支持向量機在非平衡分類問題中的應用
8．5．1 非平衡數據處理方法
8．5．2 非平衡數據分類器性能評價標準
8．5．3 基于多維關聯規則挖掘的GSVM的非平衡數據學習方法
8．5．4 基于聚類的GSVM的非平衡數據學習方法
參考文獻
書摘/試閱
3.Bagging方法與Boosting方法的比較
就個體學習器的生成機制而言，Bagging可視為并行算法，各子學習器的生成彼此獨立，不受影響。Boosting可視為串行算法，之前子學習器的表現會影響訓練之后子學習器的訓練集，被之前學習器錯誤預測的例子在訓練之后生成學習器的訓練集中將發揮更加重要的作用。
就集成效果而言，Maclin和（）pitz（26）在1997年研究比較了Bagging和Boos—ting這兩種方法，在他們的實驗中用NN和決策樹作為分類器進行研究。研究結果表明，Bagging產生的集成學習效果基本上比任何個體學習器都精確，并且不易產生過擬合現象。另一方面，Bagging集成與用一組僅最初權值設定不同的NN進行的簡單集成相比，效果基本相同，即Bagging集成基本上不會比最一般的NN集成學習方法表現得更好。而Boosting是一種更有效的技術，通常情況下，能產生比Bagging方法和單個個體學習器更好的集成學習效果，但Boosting會表現出多變的結果，即它在某些時候的表現與單個學習器相比并沒有改進，而在另外一些時候能表現出比Bagging更好的性能，同時它對噪聲數據很敏感，會很快對一個數據集產生過擬合現象。進一步的研究表明，Boosting表現多變的原因在一定程度上可解釋為：它對訓練數據集噪聲的敏感性使其更易于產生過擬合現象，所以Ad—aBoost方法的表現可能好于任何其他方法，也可能會有比單個個體學習器更壞的表現。一般當數據集上的噪聲增加時，Boosting和AdaBoost的集成效果會變差，該問題在AdaBoost方法中表現得尤為突出。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。