不确定性多目标优化的数据挖掘理论及应用

本书是在作者多年从事数据挖掘行业实践和相关科学研究的基础上编写而成，书中包括数据挖据理论研究及实际应用的现状分析、研究内容的组织框架、研究方法与技术路线的描述、数据挖掘理论及应用的综述、不确定性理论、多目标优化的分类器方法、模糊多目标优化的分类器模型和算法、基于粗糙集和统计贡献度的特征选择算法、基于粗糙集预处理和粗近似的多目标优化的分类器模型和算法以及基于模糊化、核方法和惩罚因子的多目标优化的分类器模型和算法等内容。本书含有不确定性多目标优化的数据挖掘在信用评分、Web客户忠诚度分析、蛋白质交互的热点区域预测以及重大疾病的医疗诊断和预测等几个经典领域中的实际应用的描述。最后，通过对研究内容和实际应用效果的总结，展望了进一步研究和应用的方向。
本书可供从事数据挖掘、机器学习与知识工程领域的科学工作者、相关专业的本科生和研究生，以及从事数据分析和处理的工程技术人员参考。

第1章引言
1.1研究背景与意义
1.2本书的主要内容与组织结构
1.3研究方法与技术路线
第2章相关理论基础
2.1数据挖掘
2.1.1基本理论、模型和算法
2.1.2针对异构数据的方法及应用
2.1.3性能评价方法
2.1.4实际应用
2.1.5其他方面
2.2最优化理论
2.2.1经典优化理论、方法和应用
2.2.2启发式优化方法
2.2.3全局优化及国内的优化研究
2.3分类问题
2.3.1分类器方法
2.3.2分类性能的提升
2.3.3分类结果评价
2.4最优化分类方法
2.4.1支持向量机分类方法
2.4.2数学规划分类方法
2.5数据的不确定性
2.5.1数据的不确定性概述
2.5.2不确定性的研究现状
2.6不确定理论
2.6.1不确定理论综述
2.6.2模糊集与模糊规划
2.6.3粗糙集与粗规划
2.7数据挖掘方法的近似性和多目标性
2.8小结
第3章多目标优化分类模型
3.1分类问题的表示与评价
3.1.1分类问题的表示
3.1.2分类性能评价
3.2支持向量机分类模型
3.2.1支持向量机分类模型概述
3.2.2最小二乘支持向量机分类模型
3.3多目标优化分类模型概述
3.3.1多目标决策概述
3.3.2多目标优化分类模型
3.3.3多目标线性规划分类模型
3.3.4多目标二次规划分类模型
3.4MCO和SVM分类模型的关系分析
3.5小结
第4章模糊多目标规划分类模型和算法
4.1模糊集基本理论
4.2模糊多目标线性规划分类模型和算法
4.2.1模糊决策和模糊线性规划
4.2.2模糊多目标线性规划分类模型
4.2.3模糊多目标线性规划分类算法
4.2.4与多阶段模糊线性规划分类方法的对比分析
4.3模糊多目标二次规划分类模型
4.3.1模糊二次规划
4.3.2模糊多目标二次规划分类模型
4.4小结
第5章基于粗糙集的特征选择与多目标规划分类模型和算法
5.1特征选择和约简方法
5.1.1特征选择和属性约简基本理论
5.1.2基于统计属性贡献度的约简方法
5.2基于粗糙集的约简方法
5.2.1基于等价关系的粗集约简方法
5.2.2基于不可分辨关系的粗集整数规划约简模型
5.3基于粗糙集的多目标规划分类模型和算法
5.3.1基于粗糙集的多目标规划分类模型
5.3.2基于粗糙集的多目标规划分类算法
5.4粗糙集近似理论
5.5粗近似多目标规划分类模型
5.5.1粗近似多目标线性规划分类模型
5.5.2粗近似多目标二次规划分类模型
5.6小结
第6章基于核、模糊化和惩罚因子的多目标优化分类模型
6.1不确定现象概述
6.2模糊支持向量机分类模型
6.3基于核、模糊化和惩罚因子的多目标优化分类模型
6.3.1基于核与惩罚因子的模糊多目标优化分类模型
6.3.2基于模糊化和惩罚因子的核多目标优化分类模型
6.4小结
第7章不确定性多目标优化分类模型的应用
7.1信用评分
7.1.1信用评分及相关方法概述
7.1.2信用评分流程
7.1.3信用评分数据集
7.1.4信用评分实例分析
7.2Web客户忠诚度分析
7.2.1Web挖掘概述
7.2.2Web客户忠诚度分析数据集
7.2.3性能分析
7.2.4Web客户忠诚度分析
7.3蛋白质交互的热点区域的预测
7.3.1概述
7.3.2蛋白质交互的热点区域预测数据集
7.3.3蛋白质交互的热点区域分析
7.4重大疾病的医疗诊断和预测
7.4.1数据概述
7.4.2重大疾病的医疗诊断和预测分析
7.5小结
第8章总结与展望
8.1研究总结
8.2主要贡献
8.3对后续研究工作的展望
参考文献