第一章 概述 1
1.1问题的本质 4
1.2国内外不均衡学习研究现状 11
1.2.1算法层面的处理方法 12
1.2.2样本层面的处理方法 13
1.3评估指标 14
1.4本书的安排 17
第二章支持向量机综述 19
2.1支持向量机 20
2.1.1最优分类界面的定义 20
2.1.2最优分类界面的构建 23
2.1.3广义最优分类界面 26
2.1.4支持向量机的构建 29
2.2核函数 30
2.2.1高斯核函数 32
2.2.2多项式核函数 32
2.2.3S型核函数 32
2.3不均衡数据对SVM性能的影响 33
2.4本章小结 35
第三章不均衡学习的抽样方法 37
3.1随机过抽样和欠抽样 37
3.2 informed欠抽样 38
3.3数据生成的合成抽样方法 43
3.4自适应合成抽样方法 45
3.5利用数据清洁技术的抽样 50
3.6基于聚类的抽样方法 53
3.7抽样和Boosting算法的集成 56
3.8实验分析 58
3.9本章小结 68
第四章基于ODR和BSMOTE的不均衡SVM分类算法 71
4.1 KNN算法 71
4.2 ODR欠抽样算法 73
4.3 ODR-BSMOTE-SVM算法 75
4.4对比算法简介 77
4.4.1 RU-BSMOTE-SVM算法 77
4.4.2 KSMOTE-SVM算法 79
4.5仿真实验及性能分析 80
4.5.1实验数据 80
4.5.2不同算法的性能比较 81
4.5.3不同比例下不均衡数据的性能比较 84
4.5.4参数α对算法性能的影响 86
4.5.5分析结论 90
4.6本章小结 90
第五章基于阴性免疫过抽样的不均衡分类算法 93
5.1不均衡数据下传统过抽样算法 94
5.2基于阴性免疫的过抽样算法 95
5.2.1检测器表示及亲和度定义 95
5.2.2检测器移动操作 96
5.2.3检测器间覆盖度的测量标准 96
5.2.4检测器克隆增殖操作 97
5.2.5检测器变异操作 97
5.2.6检测器克隆选择及消亡操作 98
5.3基于阴性免疫的过抽样算法流程 99
5.4对标称值属性的处理 101
5.5仿真实验及性能分析 101
5.5.1 NI算法生成人工样本的试验 101
5.5.2不同过抽样算法的性能对比试验 103
5.5.3不同不均衡数据比例的性能对比试验 105
5.5.4分析与总结 106
5.6本章小结 108
第六章基于谱聚类欠抽样不均衡SVM分类算法 109
6.1 SVM在不均衡数据下分类边界的偏移 110
6.2基于谱聚类的欠抽样算法 112
6.2.1传统欠抽样算法分析 112
6.2.2基于谱聚类的欠抽样 113
6.3基于谱聚类欠抽样不均衡SVM算法 115
6.4实验分析及对比 117
6.4.1实验数据 117
6.4.2不同算法的分类性能比较 117
6.4.3不同比例下不均衡数据分类性能比较 129
6.4.4高斯核半径的参数对算法性能的影响 129
6.5本章小结 134
第七章集成方法 137
7.1分类器集成学习 138
7.2 Bagging 141
7.3随机森林 143
7.4 Boosting 143
7.4.1 AdaBoost算法 145
7.4.2上边界定理及参数α的选择 148
7.4.3加权的效率 151
7.4.4前向的stagewise累计模型 152
7.5本章小结 153
第八章集成算法的理论分析 155
8.1平方损失函数的混淆分解 155
8.2偏差和方差的错误分解框架 156
8.3错误分解与混淆分解的关联 157
8.4多数投票策略集成的错误分解 160
8.5差异性创建策略 162
8.5.1训练样本的处理 162
8.5.2结构的处理 165
8.5.3惩罚项方法 165
8.5.4进化方法 168
8.6不同训练集下分类器的偏差和方差错误测试方法 171
8.7 SVM集成算法性能随核参数变化试验 174
8.8不同分类器之间的差异性度量方法 178
8.9采样率对分类精度的影响试验 180
8.10本章小结 185
第九章两类不均衡数据学习的代价敏感学习算法 187
9.1代价敏感的AdaBoost算法 189
9.1.1 AdaC1算法 191
9.1.2 AdaC2算法 193
9.1.3 AdaC3算法 196
9.1.4三种算法性能分析 199
9.2成本敏感指数损失和AdaC2 201
9.3代价因子分析 202
9.4其他相关的算法 204
9.4.1 AdaCost算法 205
9.4.2 CSB1和CSB2算法 206
9.4.3 RareBoost算法 206
9.5重抽样的影响 207
9.6多类别不均衡数据分类算法 211
9.7实验分析 215
9.8本章小结 216
第十章基于核聚类欠抽样集成不均衡SVM分类算法 223
10.1 SVM在不均衡数据下分类边界的偏移 223
10.2基于核聚类的欠抽样SVM算法 225
10.2.1传统欠抽样算法分析 225
10.2.2基于核聚类的欠抽样 227
10.3基于核聚类欠抽样集成SVM分类算法 230
10.4核聚类欠抽样集成SVM算法复杂度 231
10.5仿真实验及性能分析 232
10.5.1实验数据 232
10.5.2不同数据预处理算法的分类性能比较 232
10.5.3不同比例下不均衡数据分类性能比较 234
10.5.4不同比例下不同算法的效率比较 248
10.5.5不同不均衡数据集成分类算法性能比较 248
10.5.6高斯核半径的参数对算法性能的影响 257
10.6本章小结 259
第十一章核偏移及主动学习欠抽样不均衡SVM算法 261
11.1核边界偏移算法 262
11.2 KBA算法流程 264
11.3主动学习欠抽样策略 266
11.3.1 SVM在不均衡数据下分类边界的偏移 266
11.3.2传统欠抽样算法分析 267
11.3.3基于主动学习的欠抽样 269
11.3.4基于主动学习欠抽样不均衡SVM算法 270
11.4实验分析及对比 272
11.4.1实验数据 272
11.4.2不同算法的分类性能比较 273
11.4.3不同比例下不均衡数据分类性能比较 281
11.4.4 α参数对算法性能的影响 282
11.4.5参数L对算法性能的影响 291
11.5本章小结 291
第十二章不均衡SVM分类算法在故障诊断中的应用 295
12.1故障检测的内容介绍 296
12.2故障特征参量的选取 298
12.3 ODR-BSMOTE故障诊断方法实验 299
12.3.1不同比例故障数据下算法性能分析 300
12.3.2参数α对算法性能的影响 301
12.3.3参数k对算法性能的影响 306
12.3.4泛化能力对比实验 307
12.3.5分析结论 308
12.4基于BSMOTE代价敏感不均衡故障诊断算法 309
12.4.1不均衡数据对SVM检测性能的影响试验 309
12.4.2不同SVM不均衡分类策略的对比实验 310
12.4.3 BSMOTE参数对SVM性能的影响试验 313
12.4.4泛化能力对比实验 313
12.4.5分析与讨论 315
12.5本章小结 315
第十三章结论与展望 317
参考文献 323