機器學習算法建模分析

第一章 機器學習算法概述
1.1 垃圾郵件分類算法
1.2 情感分類方法
1.3 噪聲數據消除算法
1.4 樸素貝葉斯算法
1.5 空間密度聚類算法
1.6 數據集群存儲策略
1.7 K近鄰分類算法
1.8 特征選擇算法
1.9 半監督混合聚類算法
1.10 本書主要研究內容
第二章 基於主動學習和否定選擇的垃圾郵件分類算法研究
2.1 主動否定學習算法基本思想
2.1.1 準備工作
2.1.2 建立用戶興趣集
2.1.3 主動否定學習算法
2.2 實驗結果及分析
2.2.1 數據集
2.2.2 評價標準
2.2.3 準確率和召回率分析
2.2.4 AUC分析
2.2.5 分類耗時分析
2.2.6 用戶標注負擔分析
2.3 本章小結
第三章 基於遷移學習的微博短文本情感分類算法研究
3.1 基本理論
3.2 新的微博短文本情感分類方法
3.2.1 基本思想
3.2.2 關鍵特征選擇算法
3.2.3 基於遷移學習的分類算法
3.3 實驗驗證及分析
3.3.1 實驗數據集
3.3.2 基準方法
3.3.3 實驗結果及分析
3.4 本章小結
第四章 海量文本分類並行化噪聲數據消除算法研究
4.1 基本理論
4.1.1 主成分分析方法
4.1.2 詞頻逆文檔頻率方法
4.1.3 噪聲數據
4.2 主成分分析的消除噪聲算法
4.3 實驗及分析
4.3.1 實驗設置
4.3.2 度量標準
4.3.3 數據集
4.3.4 結果分析
4.4 本章小結
第五章 基於粒子群優化算法的樸素貝葉斯改進算法研究
5.1 文本預處理
5.1.1 互信息算法的改進
5.1.2 改進的類別散度互信息特征評價函數
5.2 樸素貝葉斯優化算法
5.2.1 粒子群優化算法
5.2.2 粒子群優化的樸素貝葉斯算法
5.3 實驗及結果分析
5.3.1 互信息參數和粒子群參數的選取
5.3.2 評價指標
5.3.3 粒子群優化的樸素貝葉斯算法驗證
5.4 本章小結
第六章 基於並行計算模式的空間密度聚類改進算法研究
6.1 空間密度聚類算法改進
6.1.1 空間密度聚類算法
6.1.2 遺傳算法改進方案
6.1.3 基於遺傳算法的空間密度聚類算法設計與改進
6.2 基於並行計算的遺傳空間密度聚類算法
6.2.1 映射過程
6.2.2 規約過程
6.3 實驗結果分析總結
6.4 本章小結
第七章 一致性哈希的數據集群存儲優化策略研究
7.1 一致性哈希數據存儲算法
7.1.1 基本原理
7.1.2 一致性哈希算法描述
7.2 優化策略
7.2.1 數據存儲空間優化調整
7.2.2 數據調整策略
7.2.3 性能分秒
7.3 實驗與結果分析
7.4 本章小結
第八章 基於並行計算模式編程模型的改進K近鄰分類算法研究
8.1 相關知識
8.1.1 K近鄰分類算法的基本原理
8.1.2 並行計算模式框架
8.1.3 屬性約簡方法
8.2 改進K近鄰算法
8.2.1 基於屬性約簡的K近鄰分類算法
8.2.2 改進後的K近鄰算法的並行計算模式並行化
8.3 實驗分析
8.3.1 實驗環境及數據
8.3.2 實驗過程及分析
8.4 本章小結
第九章 一種結合改進詞頻的卡方統計算法和融合特征選擇的隨機森林算法的特征選擇算法研究
9.1 傳統詞頻的卡方統計特征選擇算法
9.2 改進詞頻的卡方統計特征選擇算法
9.2.1 特征詞詞頻與類別相關性分析
9.2.2 結合文檔頻率與詞頻的卡方統計算法
9.3 融合特征選擇的隨機森林算法
9.4 分類模型構建
9.4.1 數據預處理
9.4.2 文本向量化
9.4.3 分類器訓練測試
9.5 實驗與結果分析
9.5.1 實驗數據
9.5.2 數據預處理
9.5.3 分類性能評估
9.6 本章小結
第十章 參數自適應學習的半監督混合聚類算法
10.1 人工蜂群的聚類
10.2 半監督人工蜂群聚類算法
10.2.1 算法框架
10.2.2 改進的目標函數
10.2.3 聚類算法優化
10.2.4 參數自適應學習的半監督混合聚類算法
10.3 實驗結果與分析
10.3.1 實驗準備工作
10.3.2 算法驗證
10.3.3 參數自適應優化實驗結果
10.3.4 參數自適應學習的半監督}昆合聚類算法驗證
10.4 本章小結
第十一章 總結與展望
參考文獻