样例约简与属性约简

目录
《信息科学技术学术著作丛书》序
前言
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2