不均衡数据SVM分类算法及其应用

　　不均衡数据分类问题是机器学习和模式识别领域的研究重点。陶新民、刘福荣和杜宝祥著的《不均衡数据SVM分类算法及其应用》以SVM为分类器给出基于0DR的欠抽样、基于谱聚类的欠抽样以及基于阴性免疫的过抽样算法。《不均衡数据SVM分类算法及其应用》根据SVM分类算法的自身特点，将SVM算法与集成算法相结合给出基于核聚类集成的不均衡数据分类算法，以及基于核矩阵偏移和主动学习欠抽样的不均衡数据SVM分类算法。最后，《不均衡数据SVM分类算法及其应用》将不均衡SVM分类算法应用到故障诊断领域。《不均衡数据SVM分类算法及其应用》可供理工科高等学校信息科学，人工智能和自动化技术等相关专业的教师和研究生阅读，也可供自然科学和工程技术领域中的研究人员参考。

暂缺《不均衡数据SVM分类算法及其应用》作者简介

第一章 概述
　1.1 问题的本质
　1.2 国内外不均衡学习研究现状
　　1.2.1 算法层面的处理方法
　　1.2.2 样本层面的处理方法
　1.3 评估指标
　1.4 本书的安排
第二章 支持向量机综述
　2.1 支持向量机
　　2.1.1 最优分类界面的定义
　　2.1.2 最优分类界面的构建
　　2.1.3 广义最优分类界面
　　2.1.4 支持向量机的构建
　2.2 核函数
　　2.2.1 高斯核函数
　　2.2.2 多项式核函数
　　2.2.3 S型核函数
　2.3 不均衡数据对sVM性能的影响
　2.4 本章小结
第三章 不均衡学习的抽样方法
第四章 基于ODR和BSMOTE的不均衡SVM分类算法
第五章 基于阴性免疫过抽样的不均衡分类算法
第六章 基于谱聚类欠抽样不均衡SVM分类算法
第七章 集成方法
第八章 集成算法的理论分析
第九章 两类不均衡数据学习的代价敏感学习算法
第十章 基于核聚类欠抽样集成不均衡SVM分类算法
第十一章 核偏移及主动学习欠抽样不均衡SVM算法
第十二章 不均衡SVM分类算法在故障诊断中的应用
第十三章 结论与展望
参考文献