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 誘導算法
1．3 規(guī)則推導
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 基于示例的學習
1．6．4 支持向量機
第2章 集成學習概述
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 沒有免費的午餐理論和集成學習
2．7 偏差解構(gòu)和集成學習
2．8 Occam剃刀和集成學習
2．9 分類器相關(guān)性
2．9．1 相關(guān)性方法
2．9．2 獨立方法
2．10 用于復雜分類任務(wù)的集成方法
2．10．1 代價敏感的分類
2．10．2 用于概念漂移學習的集成
2．10．3 拒絕驅(qū)動分類
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 對數(shù)評價池法
3．1．13 順序統(tǒng)計法
3．2 選擇性分類
3．2．1 劃分示例空間
3．3 專家混合與元學習
3．3．1 Stacking算法
3．3．2 仲裁樹
3．3．3 組合樹
3．3．4 分級法
3．3．5 門網(wǎng)絡(luò)法
第4章 集成的多樣性
4．1 概述
4．2 操控誘導器
4．2．1 操控誘導器的參數(shù)
4．2．2 假設(shè)空間的初始點
4．2．3 假設(shè)空間的遍歷
4．3 操控訓練樣本
4．3．1 重采樣
4．3．2 樣本創(chuàng)建
4．3．3 樣本劃分
4．4 操控目標屬性表示
4．4．1 類標轉(zhuǎn)換
4．5 劃分搜索空間
4．5．1 劃分和競爭法
4．5．2 基于特征子集的集成方法
4．6 多類型誘導器
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)模的預選取
5．3 訓練階段集成規(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 刪減時機
第6章 誤差糾錯輸出編碼
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練方法
6．2．1 糾錯輸出編碼
6．2．2 編碼矩陣框架
6．2．3 編碼矩陣的設(shè)計
6．2．4 正交排列（OA）
6．2．5 Hadamard矩陣
6．2．6 概率糾錯輸出編碼
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 分類器集成的評價
7．1 泛化誤差
7．1．1 泛化誤差的理論估計
7．1．2 泛化誤差的實驗估計
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價
7．1．7 用于對比集成的統(tǒng)計測試
7．2 計算復雜度
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 軟件實用性
7．10 應(yīng)該選用哪個集成方法
參考文獻
高新科技譯叢叢書書目