第1章 预备知识 1
1.1 分类问题与回归问题 1
1.2 不确定性度量 5
1.2.1 随机变量的不确定性度量 5
1.2.2 认知的模糊性度量 13
1.3 数据约简 17
参考文献 20
第2章 粗糙集及其扩展模型 24
2.1 经典粗糙集模型 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 属性约简与核 50
2.1.4 属性约简算法 51
2.2 变精度粗糙集模型 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
参考文献 87
第3章 求解分类问题的方法 90
3.1 决策树 90
3.1.1 离散值决策树归纳算法 90
3.1.2 连续值决策树归纳算法 100
3.2 模糊决策树 111
3.2.1 模糊ID3算法 111
3.2.2 基于模糊粗糙集技术的模糊决策树算法 120
3.3 支持向量机 127
3.3.1 线性可分问题的支持向量机 127
3.3.2 近似线性可分问题的支持向量机 131
3.3.3 线性不可分问题的支持向量机 132
3.4 极限学习机 135
3.5 概率神经网络 137
参考文献 140
第4章 样例约简 143
4.1 样例选择准则 143
4.1.1 样例选择的不确定性准则 143
4.1.2 样例选择的期望误差减少准则 144
4.1.3 一致性准则 145
4.2 交叉选择样例算法 147
4.2.1 算法的基本思想 148
4.2.2 交叉选择样例算法 150
4.2.3 实验结果及分析 151
4.3 基于模糊粗糙集技术的压缩模糊K近邻规则 163
4.3.1 基础知识 163
4.3.2 压缩模糊K近邻规则 165
4.3.3 实验结果及分析 169
4.4 概率神经网络样例选择算法 178
参考文献 184
第5章 属性约简 186
5.1 特征提取 186
5.1.1 主成分分析 186
5.1.2 线性判别分析 189
5.2 特征子集评价准则 193
5.2.1 类别可分离性准则 193
5.2.2 不一致性准则 194
5.3 最小相关性最大依赖度属性约简 198
5.3.1 算法的基本思想 199
5.3.2 最小相关性最大依赖度属性约简算法 201
5.3.3 实验结果 201
5.4 模糊属性约简方法 203
5.4.1 相关工作 203
5.4.2 模糊属性约简方法 205
5.4.3 实验结果及分析 213
5.5 极限学习机网络结构选择 214
5.5.1 模型选择准则 215
5.5.2 基于结点敏感性的模型选择 217
5.5.3 实验结果及分析 219
参考文献 224