樣例約簡與屬性約簡

目錄
《信息科學技術(shù)學術(shù)著作叢書》序
前言
第1章預備知識1
1.1分類問題與回歸問題1
1.2不確定性度量5
1.2.1隨機變量的不確定性度量5
1.2.2認知的模糊性度量13
1.3數(shù)據(jù)約簡17
參考文獻20
第2章粗糙集及其擴展模型24
2.1經(jīng)典粗糙集模型25
2.1.1上近似和下近似25
2.1.2粗糙集模型的特征31
2.1.3屬性約簡與核50
2.1.4屬性約簡算法51
2.2變精度粗糙集模型56
2.3相容粗糙集模型62
2.4粗糙模糊集模型65
2.5模糊粗糙集模型80
參考文獻87
第3章求解分類問題的方法90
3.1決策樹90
3.1.1離散值決策樹歸納算法90
3.1.2連續(xù)值決策樹歸納算法100
3.2模糊決策樹111
3.2.1模糊ID3算法111
3.2.2基于模糊粗糙集技術(shù)的模糊決策樹算法120
3.3支持向量機127
3.3.1線性可分問題的支持向量機127
3.3.2近似線性可分問題的支持向量機131
3.3.3線性不可分問題的支持向量機132
3.4極限學習機135
3.5概率神經(jīng)網(wǎng)絡(luò)137
參考文獻140
第4章樣例約簡143
4.1樣例選擇準則143
4.1.1樣例選擇的不確定性準則.143
4.1.2樣例選擇的期望誤差減少準則144
4.1.3一致性準則145
4.2交叉選擇樣例算法147
4.2.1算法的基本思想148
4.2.2交叉選擇樣例算法150
4.2.3實驗結(jié)果及分析151
4.3基于模糊粗糙集技術(shù)的壓縮模糊K近鄰規(guī)則163
4.3.1基礎(chǔ)知識163
4.3.2壓縮模糊K近鄰規(guī)則165
4.3.3實驗結(jié)果及分析169
4.4概率神經(jīng)網(wǎng)絡(luò)樣例選擇算法178
參考文獻184
第5章屬性約簡186
5.1特征提取186
5.1.1主成分分析186
5.1.2線性判別分析189
5.2特征子集評價準則193
5.2.1類別可分離性準則193
5.2.2不一致性準則194
5.3最小相關(guān)性最大依賴度屬性約簡198
5.3.1算法的基本思想199
5.3.2最小相關(guān)性最大依賴度屬性約簡算法201
5.3.3實驗結(jié)果201
5.4模糊屬性約簡方法203
5.4.1相關(guān)工作203
5.4.2模糊屬性約簡方法205
5.4.3實驗結(jié)果及分析213
5.5極限學習機網(wǎng)絡(luò)結(jié)構(gòu)選擇214
5.5.1模型選擇準則215
5.5.2基于結(jié)點敏感性的模型選擇217
5.5.3實驗結(jié)果及分析219
參考文獻2