人工智能 类型
可以朗读 语音朗读
184千字 字数
2020-09-01 发行日期
展开全部

主编推荐语

资深专家多年研究和实践成果总结，创新性提出基于神经网络的填补方法和基于TS模型的填补方法，大幅提升缺失值填补效率。

内容简介

这是一部讲解如何基于机器学习技术实现数据缺失值填补的专著，与传统的基于统计学的缺失值填补方法相比，效率上得到了较大的提升。作者基于多年的研究和实践成果，创新性地提出了基于神经网络的缺失值填补方法和基于TS模型的缺失值填补方法。

全书共8章，可分为4个部分。

第壹部分（第1~3章）：首先介绍缺失值填补领域的缺失数据机制、基本概念、性能度量等基础知识，随后详细阐述目前基于统计学、机器学习的缺失值填补理论与方法。

第二部分（第4~5章）：对目前神经网络在缺失值填补领域的研究成果进行归纳总结，并从网络模型、填补方案角度阐述神经网络填补方法的设计及应用。

第三部分（第6~7章）：详细介绍面向不完整数据的TS建模过程，随后通过特征选择算法处理TS建模中的特征冗余问题，并从前提参数优化和结论参数优化两个角度改进TS模型。

第四部分（第8章）：以缺失值填补方法在我国贫困问题研究中的应用为例，展现缺失值填补方法的现实意义。

目录

  • 版权信息
  • 前言
  • 第1章 绪论
  • 1.1 缺失值填补的背景与意义
  • 1.2 缺失值填补方法的研究现状概述
  • 1.2.1 基于统计学的缺失值填补方法
  • 1.2.2 基于机器学习的缺失值填补方法
  • 1.3 缺失值填补的应用
  • 1.4 本章小结
  • 第2章 缺失数据的处理方法
  • 2.1 数据缺失机制
  • 2.1.1 完全随机缺失
  • 2.1.2 随机缺失
  • 2.1.3 非随机缺失
  • 2.2 缺失数据的处理
  • 2.2.1 不做处理
  • 2.2.2 不完整样本删除
  • 2.2.3 缺失值填补
  • 2.3 缺失值填补概述
  • 2.3.1 基本概念
  • 2.3.2 方法分类
  • 2.3.3 性能度量
  • 2.4 本章小结
  • 第3章 缺失值填补方法
  • 3.1 基于样本间相似度的填补方法
  • 3.1.1 均值填补法
  • 3.1.2 热平台填补法
  • 3.1.3 K最近邻填补法
  • 3.1.4 基于聚类的填补方法
  • 3.2 基于属性间相关性的填补方法
  • 3.2.1 基于线性回归的填补方法
  • 3.2.2 基于非线性回归的填补方法
  • 3.2.3 基于神经网络的填补方法
  • 3.3 基于参数估计的期望最大化填补方法
  • 3.3.1 参数估计法
  • 3.3.2 期望最大化填补法
  • 3.4 针对缺失数据不确定性的填补方法
  • 3.4.1 多重填补法
  • 3.4.2 基于证据理论的填补方法
  • 3.5 本章小结
  • 第4章 面向不完整数据的神经网络填补方法
  • 4.1 基于自组织映射网络的填补方法
  • 4.1.1 自组织映射网络理论
  • 4.1.2 自组织映射网络的缺失值处理
  • 4.2 基于单层感知机的填补方法
  • 4.2.1 单层感知机理论
  • 4.2.2 传统单层感知机的改进
  • 4.2.3 单层感知机填补模型
  • 4.3 基于多层感知机的填补方法
  • 4.3.1 多层感知机理论
  • 4.3.2 基于多层感知机集群的填补方法
  • 4.3.3 基于多层感知机简化集群的填补方法
  • 4.4 基于自编码器及其变体的填补方法
  • 4.4.1 基于自编码器的填补法
  • 4.4.2 基于径向基函数自编码器的填补法
  • 4.4.3 基于广义回归自编码器的填补法
  • 4.4.4 基于对偶传播自编码器的填补法
  • 4.4.5 基于极限学习机自编码器的填补法
  • 4.5 面向不完整数据的属性关联型神经元建模与填补方法
  • 4.5.1 基于去跟踪自编码器的填补法
  • 4.5.2 基于关联增强型自编码器的填补法
  • 4.5.3 基于多任务学习的填补方法
  • 4.6 典型神经网络填补模型实验
  • 4.6.1 实验设计
  • 4.6.2 不同网络模型的填补精度
  • 4.6.3 自编码器的自跟踪性
  • 4.6.4 去跟踪自编码器的去跟踪性
  • 4.7 本章小结
  • 第5章 神经网络填补方法的优化设计
  • 5.1 面向不完整数据的代价函数
  • 5.2 两阶段式填补方案
  • 5.2.1 训练阶段
  • 5.2.2 填补阶段
  • 5.3 融合式填补方案
  • 5.3.1 基于缺失值变量的神经网络动态填补方案
  • 5.3.2 缺失值变量与模型参数的动态更新
  • 5.3.3 时间复杂度
  • 5.4 典型神经网络填补方案实验
  • 5.4.1 实验设计
  • 5.4.2 不同填补方案的填补精度
  • 5.4.3 MVPT填补方案的收敛性
  • 5.5 本章小结
  • 第6章 基于TS建模的非线性回归填补法
  • 6.1 模糊数学基础
  • 6.1.1 模糊数学与模糊集合
  • 6.1.2 模糊数学在缺失值填补中的应用
  • 6.2 TS模型
  • 6.2.1 TS模型基本结构
  • 6.2.2 TS模型研究与应用现状
  • 6.3 基于TS模型的填补方法
  • 6.3.1 基于TS模型的填补方法概述
  • 6.3.2 前提参数获取
  • 6.3.3 结论参数获取
  • 6.3.4 缺失值填补
  • 6.4 基于特征选择的TS模型填补法
  • 6.4.1 特征选择算法概述
  • 6.4.2 基于特征选择的TS模型填补法
  • 6.5 TS模型填补方法实验
  • 6.5.1 实验设计
  • 6.5.2 TS模型与回归模型的填补效果对比
  • 6.5.3 特征选择对TS模型拟合精度的影响
  • 6.5.4 特征选择对TS模型填补精度的影响
  • 6.6 本章小结
  • 第7章 TS模型填补方法的优化设计
  • 7.1 面向类不均衡数据的TS模型优化
  • 7.1.1 TS模型中的FCM算法
  • 7.1.2 FCM算法存在的问题
  • 7.1.3 DPC算法
  • 7.1.4 类不均衡数据的MDF算法
  • 7.1.5 MDF算法实验
  • 7.2 基于交替学习策略的TS模型填补方法
  • 7.2.1 TS结论参数与填补值的交替学习策略
  • 7.2.2 交替学习策略的迭代收敛性
  • 7.2.3 交替学习策略下线性回归填补法实验
  • 7.2.4 交替学习策略下TS模型填补法实验
  • 7.3 本章小结
  • 第8章 基于缺失值填补的中国贫困家庭特征分析
  • 8.1 精准扶贫过程中的数据缺失问题
  • 8.1.1 我国贫困问题研究
  • 8.1.2 中国家庭追踪调查中的数据缺失问题
  • 8.2 CFPS数据集缺失值填补
  • 8.2.1 基于去跟踪自编码器的动态缺失值填补
  • 8.2.2 缺失值填补精度
  • 8.3 贫困家庭识别
  • 8.3.1 多维贫困测度
  • 8.3.2 贫困的维度指标及临界剥夺值
  • 8.3.3 基于层次分析法的多维贫困指标权重计算
  • 8.3.4 CFPS2016数据集的多维贫困家庭识别
  • 8.4 基于聚类算法的贫困家庭类别划分
  • 8.4.1 层次聚类算法
  • 8.4.2 贫困家庭聚类
  • 8.5 贫困家庭典型特征分析
  • 8.5.1 多重聚类特征选择算法
  • 8.5.2 贫困家庭典型特征选择
  • 8.6 本章小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。