简介
类别不平衡学习是机器学习与数据挖掘领域的重要分支之一,其在很多应用领域中均发挥着重要作用。本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论(第1、2章),进而在上述理论的基础上,讨论了一些主流的类别不平衡学习技术及对应算法,具体包括样本采样技术(第3章)、代价敏感学习技术(第4章)、决策输出补偿技术(第5章)、集成学习技术(第6章)、主动学习技术(第7章)及一类分类技术(第8章)等。此外,也探讨了样本不平衡分布的危害预评估技术(第9章)。最后,对该领域未来的发展方向及应用前景做出了评述
编辑推荐
本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论,并进而在上述理论的基础上,讨论了一些主流的类别不平衡学习技术及对应算法,具体包括样本采样技术、代价敏感学习技术、决策输出补偿技术、集成学习技术、主动学习技术及一类分类技术等。此外,也探讨了类别不平衡分布的危害预评估技术。最后,对该领域未来的发展方向及应用前景作出了评述与展望。
更多出版物信息
- 版权: 清华大学出版社
- 出版: 2017-06-01
- 更新: 2024-02-01
- 书号:9787302466185
- 中图:TP181
- 学科:工学控制科学与工程工学计算机科学与技术交叉学科智能科学与技术