类别不平衡学习

类别不平衡学习是机器学习与数据挖掘领域的重要分支之一，其在很多应用领域中均发挥着重要作用。本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论(、2章)，进而在上述理论的基础上，讨论了一些主流的类别不平衡学习技术及对应算法，具体包括样本采样技术(第3章)、代价敏感学习技术(第4章)、决策输出补偿技术(第5章)、集成学习技术(第6章)、主动学习技术(第7章)及一类分类技术(第8章)等。此外，也探讨了样本不平衡分布的危害预评估技术(第9章)。很后，对该领域未来的发展方向及应用前景做出了评述与展望(0章)。 本书可作为高等院校与研究院所计算机、自动化及相关专业研究生的课外阅读书籍，也可供对机器学习及数据挖掘感兴趣的研究人员和工程技术人员阅读参考。

类别不平衡学习是机器学习与数据挖掘领域的重要分支之一，其在很多应用领域中均发挥着重要作用。本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论(、2章)，进而在上述理论的基础上，讨论了一些主流的类别不平衡学习技术及对应算法，具体包括样本采样技术(第3章)、代价敏感学习技术(第4章)、决策输出补偿技术(第5章)、集成学习技术(第6章)、主动学习技术(第7章)及一类分类技术(第8章)等。此外，也探讨了样本不平衡分布的危害预评估技术(第9章)。很后，对该领域未来的发展方向及应用前景做出了评述与展望(0章)。 本书可作为高等院校与研究院所计算机、自动化及相关专业研究生的课外阅读书籍，也可供对机器学习及数据挖掘感兴趣的研究人员和工程技术人员阅读参考。

于化龙(1982- )，男，哈尔滨人，博士，江苏科技大学计算机学院副教授，硕士研究生导师，东南大学自动化学院博士后。近年来，在靠前外核心期刊及重要的靠前学术会议上发表论文50余篇，其中被SCI与EI检索40余篇。主持包括国家自然科学基金在内的各级科研项目8项，以主要参与人身份参与重量、省部级及市厅级科研项目多项。2015年入选江苏科技大学“深蓝学者培养工程”第二层次培养对象，2016年入选江苏省“三三三高层次人才培养工程”第三层次培养对象，是瑞士国家科学基金委科研项目特约评审专家、中国自动化学会青年工作委员会委员、江苏省计算机学会人工智能专委会委员，多个知名学术会议的PC成员，同时为20余种靠前外知名学术期刊的评审人。主要研究方向为：机器学习，数据挖掘与生物信息学。

第1章绪论
1.1引言
1.2基本概念
1.3常用技术
1.4应用领域
1.5本书主要内容及安排
1.6文献导读
参考文献
第2章基础理论
2.1类别不平衡分布对传统分类器性能的影响机理
2.1.1类别不平衡分布对朴素贝叶斯分类器的影响
2.1.2类别不平衡分布对支持向量机的影响
2.1.3类别不平衡分布对极限学习机的影响
2.2类别不平衡学习的影响因素
2.3类别不平衡学习的性能评价测度
2.4本章小结
2.5文献导读
参考文献
第3章样本采样技术
3.1样本采样技术的基本思想及发展历程
3.2随机采样技术
3.2.1随机降采样法
3.2.2随机过采样法
3.3人工采样技术
3.3.1SMOTE采样法
3.3.2Borderline—SMOTE采样法
3.3.3ADA—SYN采样法
3.3.4OSS采样法
3.3.5SBC采样法
3.4优化采样技术
3.5实验结果及讨论
3.5.1数据集描述及参数设置
3.5.2结果与讨论
3.6本章小结
3.7文献导读
参考文献
第4章代价敏感学习技术
4.1代价敏感学习的基本思想
4.2代价矩阵
4.3基于经验加权的代价敏感学习算法
4.3.1CS—SVM算法
4.3.2WELM算法
4.4基于模糊加权的代价敏感学习算法
4.4.1FSVM—CIL算法
4.4.2FWELM算法
4.5实验结果与讨论
4.5.1数据集与参数设置
4.5.2结果与讨论
4.6本章小结
4.7文献导读
参考文献
第5章决策输出补偿技术
5.1决策输出补偿技术的基本思想
5.2基于经验的决策输出补偿算法
5.3基于关键位置比对的决策输出补偿算法
5.4基于优化思想的决策输出补偿算法
5.5实验结果与讨论
5.5.1实验一
5.5.2实验二
5.6本章小结
5.7文献导读
参考文献
第6章集成学习技术
6.1集成学习的基本思想
6.2两种经典的集成学习范式
6.2.1Bagging集成学习范式
6.2.2Boosting集成学习范式
6.3基于样本采样技术的集成学习算法
6.3.1Assymetric Bagging及asBagging—FSS算法
6.3.2SMOTEBoost及RUSBoost算法
6.3.3EasyEnsemble及BalanceCascade算法
6.4基于代价敏感学习技术的集成学习算法
6.5基于决策输出补偿技术的集成学习算法
6.6实验结果与讨论
6.6.1实验一
6.6.2实验二
6.6.3实验三
6.7本章小结
6.8文献导读
参考文献
第7章主动学习技术
7.1主动学习的基本思想
7.2基于支持向量机的主动不平衡学习算法
7.3样本不平衡分布中的主动学习算法设计
7.4实验结果与讨论
7.4.1实验一
7.4.2实验二
7.5本章小结
7.6文献导读
参考文献
第8章一类分类技术
8.1一类分类的基本思想
8.2基于密度的一类分类器
8.2.1基于高斯模型的一类分类器
8.2.2基于高斯混合模型的一类分类器
8.2.3基于Parzen窗的一类分类器
8.2.4基于K近邻的一类分类器
8.3基于支持域的一类分类器
8.3.1一类支持向量机
8.3.2支持向量数据描述
8.4一类极限学习机
8.5实验结果与讨论
8.5.1数据集与参数设置
8.5.2结果与讨论
8.6本章小结
8.7文献导读
参考文献
第9章样本不平衡分布的危害预评估技术
9.1预评估的必要性说明
9.2基于样本几何可分测度的预评估算法
9.3基于留一交叉验证的预评估算法
9.4实验结果与讨论
9.4.1实验一
9.4.2实验二
9.5本章小结
9.6文献导读
参考文献
第10章未来研究展望
10.1现有的挑战
10.2未来的研究方向与发展前景
10.3文献导读
参考文献