更新时间：2020-11-28 17:49:05
封面
版权信息
作者简介
前言
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
2.2 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
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
3.3 人工采样技术
3.4 优化采样技术
3.5 实验结果及讨论
3.6 本章小结
3.7 文献导读
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
4.4 基于模糊加权的代价敏感学习算法
4.5 实验结果与讨论
4.6 本章小结
4.7 文献导读
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
5.6 本章小结
5.7 文献导读
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
6.3 基于样本采样技术的集成学习算法
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
6.7 本章小结
6.8 文献导读
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
7.5 本章小结
7.6 文献导读
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
8.3 基于支持域的一类分类器
8.4 一类极限学习机
8.5 实验结果与讨论
8.6 本章小结
8.7 文献导读
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
9.5 本章小结
9.6 文献导读
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
