機(jī)器學(xué)習(xí)算法建模分析

第一章 機(jī)器學(xué)習(xí)算法概述
1.1 垃圾郵件分類算法
1.2 情感分類方法
1.3 噪聲數(shù)據(jù)消除算法
1.4 樸素貝葉斯算法
1.5 空間密度聚類算法
1.6 數(shù)據(jù)集群存儲策略
1.7 K近鄰分類算法
1.8 特征選擇算法
1.9 半監(jiān)督混合聚類算法
1.10 本書主要研究內(nèi)容
第二章 基于主動學(xué)習(xí)和否定選擇的垃圾郵件分類算法研究
2.1 主動否定學(xué)習(xí)算法基本思想
2.1.1 準(zhǔn)備工作
2.1.2 建立用戶興趣集
2.1.3 主動否定學(xué)習(xí)算法
2.2 實(shí)驗(yàn)結(jié)果及分析
2.2.1 數(shù)據(jù)集
2.2.2 評價標(biāo)準(zhǔn)
2.2.3 準(zhǔn)確率和召回率分析
2.2.4 AUC分析
2.2.5 分類耗時分析
2.2.6 用戶標(biāo)注負(fù)擔(dān)分析
2.3 本章小結(jié)
第三章 基于遷移學(xué)習(xí)的微博短文本情感分類算法研究
3.1 基本理論
3.2 新的微博短文本情感分類方法
3.2.1 基本思想
3.2.2 關(guān)鍵特征選擇算法
3.2.3 基于遷移學(xué)習(xí)的分類算法
3.3 實(shí)驗(yàn)驗(yàn)證及分析
3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
3.3.2 基準(zhǔn)方法
3.3.3 實(shí)驗(yàn)結(jié)果及分析
3.4 本章小結(jié)
第四章 海量文本分類并行化噪聲數(shù)據(jù)消除算法研究
4.1 基本理論
4.1.1 主成分分析方法
4.1.2 詞頻逆文檔頻率方法
4.1.3 噪聲數(shù)據(jù)
4.2 主成分分析的消除噪聲算法
4.3 實(shí)驗(yàn)及分析
4.3.1 實(shí)驗(yàn)設(shè)置
4.3.2 度量標(biāo)準(zhǔn)
4.3.3 數(shù)據(jù)集
4.3.4 結(jié)果分析
4.4 本章小結(jié)
第五章 基于粒子群優(yōu)化算法的樸素貝葉斯改進(jìn)算法研究
5.1 文本預(yù)處理
5.1.1 互信息算法的改進(jìn)
5.1.2 改進(jìn)的類別散度互信息特征評價函數(shù)
5.2 樸素貝葉斯優(yōu)化算法
5.2.1 粒子群優(yōu)化算法
5.2.2 粒子群優(yōu)化的樸素貝葉斯算法
5.3 實(shí)驗(yàn)及結(jié)果分析
5.3.1 互信息參數(shù)和粒子群參數(shù)的選取
5.3.2 評價指標(biāo)
5.3.3 粒子群優(yōu)化的樸素貝葉斯算法驗(yàn)證
5.4 本章小結(jié)
第六章 基于并行計算模式的空間密度聚類改進(jìn)算法研究
6.1 空間密度聚類算法改進(jìn)
6.1.1 空間密度聚類算法
6.1.2 遺傳算法改進(jìn)方案
6.1.3 基于遺傳算法的空間密度聚類算法設(shè)計與改進(jìn)
6.2 基于并行計算的遺傳空間密度聚類算法
6.2.1 映射過程
6.2.2 規(guī)約過程
6.3 實(shí)驗(yàn)結(jié)果分析總結(jié)
6.4 本章小結(jié)
第七章 一致性哈希的數(shù)據(jù)集群存儲優(yōu)化策略研究
7.1 一致性哈希數(shù)據(jù)存儲算法
7.1.1 基本原理
7.1.2 一致性哈希算法描述
7.2 優(yōu)化策略
7.2.1 數(shù)據(jù)存儲空間優(yōu)化調(diào)整
7.2.2 數(shù)據(jù)調(diào)整策略
7.2.3 性能分秒
7.3 實(shí)驗(yàn)與結(jié)果分析
7.4 本章小結(jié)
第八章 基于并行計算模式編程模型的改進(jìn)K近鄰分類算法研究
8.1 相關(guān)知識
8.1.1 K近鄰分類算法的基本原理
8.1.2 并行計算模式框架
8.1.3 屬性約簡方法
8.2 改進(jìn)K近鄰算法
8.2.1 基于屬性約簡的K近鄰分類算法
8.2.2 改進(jìn)后的K近鄰算法的并行計算模式并行化
8.3 實(shí)驗(yàn)分析
8.3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)
8.3.2 實(shí)驗(yàn)過程及分析
8.4 本章小結(jié)
第九章 一種結(jié)合改進(jìn)詞頻的卡方統(tǒng)計算法和融合特征選擇的隨機(jī)森林算法的特征選擇算法研究
9.1 傳統(tǒng)詞頻的卡方統(tǒng)計特征選擇算法
9.2 改進(jìn)詞頻的卡方統(tǒng)計特征選擇算法
9.2.1 特征詞詞頻與類別相關(guān)性分析
9.2.2 結(jié)合文檔頻率與詞頻的卡方統(tǒng)計算法
9.3 融合特征選擇的隨機(jī)森林算法
9.4 分類模型構(gòu)建
9.4.1 數(shù)據(jù)預(yù)處理
9.4.2 文本向量化
9.4.3 分類器訓(xùn)練測試
9.5 實(shí)驗(yàn)與結(jié)果分析
9.5.1 實(shí)驗(yàn)數(shù)據(jù)
9.5.2 數(shù)據(jù)預(yù)處理
9.5.3 分類性能評估
9.6 本章小結(jié)
第十章 參數(shù)自適應(yīng)學(xué)習(xí)的半監(jiān)督混合聚類算法
10.1 人工蜂群的聚類
10.2 半監(jiān)督人工蜂群聚類算法
10.2.1 算法框架
10.2.2 改進(jìn)的目標(biāo)函數(shù)
10.2.3 聚類算法優(yōu)化
10.2.4 參數(shù)自適應(yīng)學(xué)習(xí)的半監(jiān)督混合聚類算法
10.3 實(shí)驗(yàn)結(jié)果與分析
10.3.1 實(shí)驗(yàn)準(zhǔn)備工作
10.3.2 算法驗(yàn)證
10.3.3 參數(shù)自適應(yīng)優(yōu)化實(shí)驗(yàn)結(jié)果
10.3.4 參數(shù)自適應(yīng)學(xué)習(xí)的半監(jiān)督}昆合聚類算法驗(yàn)證
10.4 本章小結(jié)
第十一章 總結(jié)與展望
參考文獻(xiàn)