多目標線性規(guī)劃分類方法業(yè)績分析與改進研究

內(nèi)容概要

　　社會發(fā)展離不開數(shù)據(jù)，而數(shù)據(jù)必須使用統(tǒng)計方法來加以分析。自威廉，配第《政治算術(shù)》始，歷史上幾乎每一次對社會經(jīng)濟發(fā)展的深刻理解都是建立在統(tǒng)計分析方法變革的基礎(chǔ)上的。正是這種變革所提供的各種數(shù)據(jù)分析工具加深了人們對社會經(jīng)濟本質(zhì)的理解，使得人們的認識能夠還原真實世界并與之無限接近。統(tǒng)計學(xué)數(shù)百年的發(fā)展歷經(jīng)兩次方法上的“革命”：從最初不完整的全面調(diào)查方法到大樣本統(tǒng)計推斷，是統(tǒng)計方法的第一次革命；以大樣本統(tǒng)計推斷方法為基礎(chǔ)，進一步發(fā)展出小樣本統(tǒng)計推斷方法，是統(tǒng)計方法的第二次革命。這兩次革命都是施于用樣本數(shù)據(jù)推斷總體特征這一思想，而抽樣誤差的干擾導(dǎo)致統(tǒng)計方法日益復(fù)雜，使其應(yīng)用受到限制。目前，以數(shù)據(jù)挖掘方法為代表的統(tǒng)計學(xué)的第三次革命即將到來。數(shù)據(jù)挖掘是在繼承已有統(tǒng)計理論的基礎(chǔ)上，與計算機技術(shù)緊密結(jié)合，充分發(fā)揮計算機運算速度快、存儲量大的特點，將統(tǒng)計方法從抽樣推斷向海量數(shù)據(jù)分析推進，是統(tǒng)計學(xué)、計算機技術(shù)、仿真計算、機器學(xué)習(xí)、人工智能甚至哲學(xué)思想相融合的新學(xué)科，體現(xiàn)了科學(xué)發(fā)展“螺旋式上升”的哲學(xué)內(nèi)涵。

書籍目錄

1 緒論
　1.1　研究背景
　1.2　問題的提出
　1.3 基本概念
　1.4 本書的研究內(nèi)容與方法
　1.5 本書的結(jié)構(gòu)安排
　1.6 本書的特色與貢獻
2　文獻綜述
　2.1 　幾種線性規(guī)劃分類模型
　2.2　多目標線性規(guī)劃分類模型
　2.3 分類方法業(yè)績改進的一般技術(shù)
　2.4　本章主要結(jié)論
3 　MCLP的偏差和方差分析
　3.1 　關(guān)于MCLP三個特性的一般理論
　3.2 　期望預(yù)測誤差的分解
　3.3 　數(shù)據(jù)準備與實驗安排
　3.4 　實驗結(jié)果與分析
　3.5 　本章主要結(jié)論
4 　MCLP在不平衡數(shù)據(jù)集上的業(yè)績分析
　4.1 　分類業(yè)績評價標準及選擇
　4.2 　數(shù)據(jù)不平衡對分類方法業(yè)績影響機制的一般結(jié)論
　4.3 　數(shù)據(jù)不平衡對MCLP業(yè)績影響機制的分析
　4.4 　數(shù)據(jù)不平衡對MCLP業(yè)績影響的實證分析
　4.5 　最優(yōu)類分布結(jié)論的穩(wěn)定性分析
　4.6　 本章主要結(jié)論
5　 組合分類器方法對MCLP的業(yè)績改進分析
　5.1　 Bagging和Adaboost程序
　5.2 　數(shù)據(jù)準備與實驗安排
　5.3 　兩種基本組合方法對MCLP的業(yè)績改進分析
　5.4 　一種SmoothBoosting方法對MCLP的業(yè)績改進分析
　5.5　 一種Sequential：Bagging方法對MCLP的業(yè)績改進分析
　5.6 　隨機子空間方法對MCLP的業(yè)績改進分析
　5.7 　本章主要結(jié)論
6 　不平衡數(shù)據(jù)處理方法對MCLP的業(yè)績改進分析
　6.1 　MCLP分類中對不平衡數(shù)據(jù)的一般處理
　6.2 　數(shù)據(jù)準備與實驗安排
　6.3 　基于MCLP分類結(jié)果的數(shù)據(jù)集特性分析
　6.4 　隨機上抽樣和隨機下抽樣方法對MCLP的業(yè)績改進分析
　6.5 　一種改進的單邊抽樣方法對MCLP的業(yè)績改進分析
　6.6 　改進的單邊抽樣+上抽樣方法對MCLP的業(yè)績改進分析
　6.7 　一種正類加權(quán)的MCLP模型及其業(yè)績改進分析
　6.8 　不同方法在信用卡數(shù)據(jù)集上的業(yè)績比較分析
　6.9 　本章主要結(jié)論
　7 　總結(jié)與展望
　7.1　 主要研究結(jié)論
　7.2 　需要進一步研究的問題
　參考文獻

章節(jié)摘錄

　　安全點的識別，需要我們從MCLP對數(shù)據(jù)集的初步分類結(jié)果中進行仔細研究?！　≈庇^上看，如果剔除靠左的即分值較小的負類點，相當于新的訓(xùn)練集內(nèi)負類點子分布偏右，此時訓(xùn)練集的線性可分程度增加。但是，MCLP為使目標函數(shù)最優(yōu)，會綜合考慮正負兩類，相應(yīng)的分類邊界也就會右移。訓(xùn)練集上的分類結(jié)果，必定是正類正確率提高。如果將訓(xùn)練集的解代人測試集，也必定會使測試集的負類正確率明顯降低，因為分類邊界右移，而測試集內(nèi)負類點密集分布在邊界處。左邊的負類點剔除得越多，這種后果越嚴重?！　∠喾矗绻蕹坑业募捶种递^大的負類點，相當于新的訓(xùn)練集內(nèi)負類點分布偏左。MCLP為使目標函數(shù)最優(yōu)，會綜合考慮正負兩類，相應(yīng)的分類邊界就會左移。訓(xùn)練集上的分類結(jié)果，必定是正類正確率降低。如果將訓(xùn)練集的解代人測試集，也必定會使測試集的正類正確率明顯降低，因為分類邊界左移，而測試集內(nèi)正類點也密集分布在邊界處。同樣，右邊的負類點剔除得越多，這種后果越嚴重?！　∷?，只有小心地選擇安全點，才能使測試集上兩類的分類結(jié)果比較均衡，AUC的值比較理想?！　　?/pre>








圖書封面






評論、評分、閱讀與下載



還沒讀過(84)
勉強可看(613)
一般般(104)
內(nèi)容豐富(4338)
強力推薦(355)


 


    多目標線性規(guī)劃分類方法業(yè)績分析與改進研究 PDF格式下載