模式分類的集成方法

第1章 模式分類概述
1．1 模式分類
1．2 誘導(dǎo)算法
1．3 規(guī)則推導(dǎo)
1．4 決策樹
1．5 貝葉斯方法
1．5．1 概述
1．5．2 樸素貝葉斯方法
1．5．3 其他貝葉斯方法
1．6 其他誘導(dǎo)方法
1．6．1 神經(jīng)網(wǎng)絡(luò)
1．6．2 遺傳算法
1．6．3 基于示例的學(xué)習(xí)
1．6．4 支持向量機(jī)
第2章 集成學(xué)習(xí)概述
2．1 回到起源
2．2 群體的智慧
2．3 Bagging算法
2．4 Boosting算法
2．5 AdaBoost算法
2．6 沒有免費(fèi)的午餐理論和集成學(xué)習(xí)
2．7 偏差解構(gòu)和集成學(xué)習(xí)
2．8 Occam剃刀和集成學(xué)習(xí)
2．9 分類器相關(guān)性
2．9．1 相關(guān)性方法
2．9．2 獨(dú)立方法
2．10 用于復(fù)雜分類任務(wù)的集成方法
2．10．1 代價(jià)敏感的分類
2．10．2 用于概念漂移學(xué)習(xí)的集成
2．10．3 拒絕驅(qū)動(dòng)分類
第3章 集成分類
3．1 融合方法
3．1．1 加權(quán)方法
3．1．2 多數(shù)投票法
3．1．3 性能加權(quán)法
3．1．4 分布求和法
3．1．5 貝葉斯聯(lián)合法
3．1．6 Dempste-Shafer推理法
3．1．7 bgging方法
3．1．8 樸素貝葉斯方法
3．1．9 熵加權(quán)法
3．1．10 基于密度的加權(quán)方法
3．1．11 DEA加權(quán)法
3．1．12 對(duì)數(shù)評(píng)價(jià)池法
3．1．13 順序統(tǒng)計(jì)法
3．2 選擇性分類
3．2．1 劃分示例空間
3．3 專家混合與元學(xué)習(xí)
3．3．1 Stacking算法
3．3．2 仲裁樹
3．3．3 組合樹
3．3．4 分級(jí)法
3．3．5 門網(wǎng)絡(luò)法
第4章 集成的多樣性
4．1 概述
4．2 操控誘導(dǎo)器
4．2．1 操控誘導(dǎo)器的參數(shù)
4．2．2 假設(shè)空間的初始點(diǎn)
4．2．3 假設(shè)空間的遍歷
4．3 操控訓(xùn)練樣本
4．3．1 重采樣
4．3．2 樣本創(chuàng)建
4．3．3 樣本劃分
4．4 操控目標(biāo)屬性表示
4．4．1 類標(biāo)轉(zhuǎn)換
4．5 劃分搜索空間
4．5．1 劃分和競(jìng)爭(zhēng)法
4．5．2 基于特征子集的集成方法
4．6 多類型誘導(dǎo)器
4．7 多樣性度量
第5章 集成選擇
5．1 集成選擇
5．2 集成規(guī)模的預(yù)選取
5．3 訓(xùn)練階段集成規(guī)模的選擇
5．4 刪減——集成規(guī)模的后選擇
5．4．1 基于排序的方法
5．4．2 基于搜索的方法
5．4．3 基于聚類的方法
5．4．4 刪減時(shí)機(jī)
第6章 誤差糾錯(cuò)輸出編碼
6．1 多類問題的編碼矩陣分解
6．2 類型I：給定編碼矩陣的集成訓(xùn)練方法
6．2．1 糾錯(cuò)輸出編碼
6．2．2 編碼矩陣框架
6．2．3 編碼矩陣的設(shè)計(jì)
6．2．4 正交排列（OA）
6．2．5 Hadamard矩陣
6．2．6 概率糾錯(cuò)輸出編碼
6．2．7 其他ECOC策略
6．3 類型II：多類問題的自適應(yīng)編碼矩陣
第7章 分類器集成的評(píng)價(jià)
7．1 泛化誤差
7．1．1 泛化誤差的理論估計(jì)
7．1．2 泛化誤差的實(shí)驗(yàn)估計(jì)
7．1．3 精度度量的替代者
7．1．4 F-度量
7．1．5 混淆矩陣
7．1．6 在有限資源下的分類器的評(píng)價(jià)
7．1．7 用于對(duì)比集成的統(tǒng)計(jì)測(cè)試
7．2 計(jì)算復(fù)雜度
7．3 集成結(jié)果的可解釋性
7．4 大規(guī)模數(shù)據(jù)的可量測(cè)性
7．5 魯棒性
7．6 穩(wěn)定性
7．7 靈活性
7．8 可用性
7．9 軟件實(shí)用性
7．10 應(yīng)該選用哪個(gè)集成方法
參考文獻(xiàn)
高新科技譯叢叢書書目