高等院校信息类新专业规划教材 大数据和人工智能技术丛书 演化机器学习PDF电子书下载

查看更多关于的内容

上篇 演化机器学习——内嵌特征选择的学习分类器 3

第1章 上篇引言 3

1.1研究背景 3

1.2上篇主要内容 6

1.3上篇的结构安排 7

第2章 相关工作综述 8

2.1概述 8

2.2学习分类器研究 9

2.2.1进化计算 9

2.2.2基于遗传的机器学习思想 10

2.2.3 Michigan式学习分类器研究进展 12

2.2.4 Pittsburgh式学习分类器研究进展 13

2.3特征选择方法综述 15

2.3.1机器学习中的特征选择问题描述 16

2.3.2特征选择的搜索模型 17

2.3.3 Filter方法 19

2.3.4 Wrapper方法 20

2.3.5 Embedded方法 21

2.4本章小结 21

第3章 基于M emetic算法的Wrapper-Filter特征选择方法 23

3.1概述 23

3.2 Memetic算法 24

3.2.1 Memetic算法思想起源 24

3.2.2 Memetic算法框架 25

3.3基于MA的混合式Wrapper-Filter特征选择方法 28

3.3.1算法设计思想 28

3.3.2算法整体框架 29

3.3.3全局搜索的GA-Wrapper 30

3.3.4局部搜索的Relief-Filter 32

3.3.5计算复杂度分析 34

3.4本章小结 35

第4章 基于合作式协同进化内嵌特征选择的学习分类器 36

4.1概述 36

4.2协同进化算法 37

4.2.1协同进化思想起源 37

4.2.2竞争式协同进化算法模型 38

4.2.3合作式协同进化算法模型 39

4.3基于合作式协同进化的学习分类器 41

4.3.1算法设计思想 41

4.3.2算法框架 42

4.3.3分类器演化的Pittsburgh式学习分类器算法 44

4.3.4计算复杂度分析 45

4.4本章小结 46

第5章 算法评估结果与分析 47

5.1概述 47

5.2算法比较实验框架 48

5.2.1 Benchmark数据集 48

5.2.2性能评估指标 48

5.2.3实验方法 50

5.3 MFS算法实验结果及分析 50

5.3.1算法参数设置 50

5.3.2实验结果与讨论 51

5.4 CoCoLCS_MFS算法实验结果及分析 53

5.4.1算法参数设置 53

5.4.2实验结果与讨论 53

5.4.3显著性检验 55

5.5特征选择对学习分类器的影响分析 55

5.5.1预测准确率 55

5.5.2运行时间 56

5.5.3特征约简率 57

5.5.4显著性检验 58

5.6本章小结 59

第6章 关于演化搜索的一项扩展性工作——基于混合式GVNS算法的多处理器任务调度研究 60

6.1概述 60

6.2多处理器任务调度 61

6.2.1研究背景 61

6.2.2多处理器任务调度问题模型 62

6.2.3调度算法研究进展 64

6.3基于启发式策略的混合式GVNS调度算法的总体设计 67

6.3.1混合式设计的算法思想 67

6.3.2算法整体框架 67

6.4任务优先级定序的启发式策略 69

6.5全局搜索的遗传算法设计 70

6.5.1种群个体的基因编码 70

6.5.2种群初始化与个体适应度评估 70

6.5.3遗传操作设计 71

6.6局部搜索的变邻域搜索算法设计 72

6.6.1算法流程 73

6.6.2邻域结构设计 74

6.6.3局部搜索 75

6.7算法实验结果评估与分析 75

6.7.1性能评估指标与参数设置 76

6.7.2确定图上的结果 76

6.7.3随机图上的结果 80

6.7.4显著性检验 80

6.7.5局部搜索有效性分析 82

6.8本章小结 83

第7章 上篇总结 84

7.1上篇的主要工作总结 84

7.2未来研究工作展望 85

下篇 演化机器学习——分布估计的学习分类器 89

第8章 下篇引言 89

8.1研究背景 89

8.2研究动机 91

8.3下篇的主要工作 92

8.4下篇的结构安排 94

第9章 分布估计算法和学习分类器 96

9.1概述 96

9.2进化计算简介 96

9.3遗传算法 97

9.4分布估计算法 99

9.4.1分布估计算法的基本流程 100

9.4.2分布估计算法分类 100

9.5学习分类器 101

9.5.1 Michigan式学习分类器 102

9.5.2 Pittsburgh式学习分类器 103

第10章 基于L1正则化贝叶斯网络的分布估计算法 106

10.1概述 106

10.2 L1正则化贝叶斯网络 107

10.2.1贝叶斯网络与L1正则化 108

10.2.2候选链接关系建立 110

10.2.3剪枝搜索 111

10.3 L1正则化贝叶斯网络与分布估计算法整合 113

10.4实验设置 114

10.4.1测试函数 114

10.4.2参数配置 116

10.5优化性能比较 117

10.5.1第一组实验 117

10.5.2第二组实验 118

10.6模型比较 125

10.6.1测试函数的理想模型 125

10.6.2模型复杂度比较 126

10.6.3模型准确度比较 127

10.7本章小结 129

第11章 基于分布估计算法的分类器进化算法 131

11.1概述 131

11.2算法框架介绍 132

11.3分类器的知识表示 133

11.4规则进化 135

11.4.1规则评价 135

11.4.2规则重组 135

11.5规则集进化 137

11.5.1规则集评价 137

11.5.2规则集重组 138

11.6规则与规则集进化整合 139

11.7实验设置 139

11.7.1测试数据 141

11.7.2比较对象 143

11.7.3评价指标 144

11.7.4参数设置 145

11.8实验结果 146

11.8.1构造问题 146

11.8.2实际问题 152

11.8.3参数敏感度分析 157

11.9本章小结 158

第12章 面向学习分类器的嵌入式特征选择算法 159

12.1概述 159

12.2本章相关工作 160

12.3算法框架介绍 161

12.4嵌入式特征选择算法 162

12.4.1特征冗余度计算 162

12.4.2特征关联度计算 163

12.5特征选择与学习分类器整合 165

12.6实验设置 167

12.6.1测试数据 167

12.6.2比较对象 168

12.6.3评价指标 169

12.6.4参数设置 170

12.7实验结果 170

12.7.1构造问题 170

12.7.2实际问题 172

12.7.3参数敏感度分析 180

12.8本章小结 181

第13章 基于进化纠错输出编码的多类分类算法 182

13.1概述 182

13.2纠错输出编码方法简介 183

13.3编码矩阵设计 184

13.3.1编码矩阵评价 184

13.3.2优化方法 187

13.4解码策略 188

13.5实验设置 189

13.5.1测试数据 189

13.5.2比较对象 189

13.5.3评价指标与参数设置 190

13.6实验结果 190

13.6.1分类准确率 190

13.6.2训练开销 193

13.6.3结果复杂度与特征约简率 195

13.6.4纠错输出编码性能 197

13.7本章小结 198

第14章 下篇总结与展望 200

14.1下篇总结 200

14.2后续工作展望 201

参考文献 203

查看更多关于的内容