|
| 內容簡介： |
|
二分类问题是统计学习理论、机器学习以及人工智能中研究的一个重要问题。由于随机的或者非随机过程的存在，现实生活中的数据经常带有噪声和不确定性。数据的噪声以及不确定性会影响统计学习分类算法模型的性能，降低分类的准确率及其分类模型的推广能力。《鲁棒最小二乘支持向量机研究与应用》从加强最小二乘支持向量机模型的鲁棒性和稀疏性、增强其推广能力的理念出发，系统整理了文献中对最小二乘支持向量机模型（LS-SVM）中改进鲁棒性的方法，提出了改进LS-SVM鲁棒性的三个模型：KPCA-L1-LS-SVM、FL1-LS-SVM和RW-Lp-LS-SVM模型，分别从特征压缩、噪声点的剔除以及样本信息重要程度的角度出发对LS-SVM模型的鲁棒性做了改进。
|
| 關於作者： |
|
刘京礼，汉族，1975年1月生，山东胶州市人。2010年毕业于中国科学技术大学管理学院，师从中国科学院科技政策与管理科学研究所徐伟宣研究员和中国科学院研究生院管理学院石勇教授，现在山东工商学院煤炭经济研究院工作。主要研究方向为：信用风险评估、优化理论与方法。目前主持国家自然科学基金面上项目：消费者信用风险动态评估研究（71171123）和山东省优秀中青年科学家科研奖励基金：基于动态支持向量机的消费者信用风险评估（BS2011SF011）。发表学术论文9篇，其中SCI检索3篇。
|
| 目錄：
|
1 绪论
1.1 研究背景和意义
1.2 鲁棒支持向量机研究综述
1.3 本书的内容和结构安排
1.4 研究方法和思路
1.5 本书的技术路径
2 最优化理论
2.1 最优化问题的一般形式
2.2 约束极值问题的最优化条件
2.3 库恩塔克条件
2.4 对偶理论
2.5 小-结
3 二分类问题
3.1 引言
3.2 二分类模型
3.3 分类模型准确率的估计方法
3.4 二分类算法的有效性
3.5 支持向量机
3.6 最小二乘支持向量机模型
3.7 小结
4 鲁棒最小二乘支持向量机中的特征抽取和选择
4.1 引言
4.2 特征选择和抽取
4.3 核主成分法
4.4 稀疏L1-范数LS-SVM模型
4.5 双层L1-范数LS-SVM模型
4.6 模糊L1-范数LS-SVM模型
4.7 小结
5 最小二乘支持向量机的鲁棒分类模型
5.1 引言
5.2 Lp范数支持向量机的分类模型
5.3 鲁棒赋权自适应Lp范数最小二乘支持向量机
5.4 小-结
6 消费者信用风险评估
6.1 引言
6.2 目前的消费者信用评估模型评述
6.3 消费者信用风险评估模型的实证分析
6.4 KPCA-L1-LS=SVM模型在信用风险中的应用
6.5 FL1-LS-SVM模型在信用风险中的应用
6.6 鲁棒赋权自适应Lp范数LS-SVM模型在信用风险中的应用
6.7 小结
……
7 总结与展望
符号说明
参考文献
后记
附图
附表
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
