【内容】
基本信息
商品名称： 大数据分析-预测建模与评价机制
出版社： 清华大学出版社
出版时间：2023-01-01
作者：张聪
译者：
开本： 其它
定价： 89.90
页数：320
印次： 1
ISBN号：9787302610274
商品类型：图书
版次： 1 内容提要
本书将基础理论和算法
实现相结合，介绍了关于大
数据分析中的相关知识，全
面、系统地介绍有关算法的
实现过程，并对算法在相关
实例上的应用结果进行分析
。全书共8章，内容包括差
异化空间插值模型的理论原
理、利用空间信息的大数据
分析预测过程、协作复合神
经网络模型的基础架构、利
用相关特征的大数据分析预
测过程、并行支持向量机的
基本原理、并行支持向量机
下的风险分类评价研究、集
成学习与贝叶斯优化的相关
理论和结合贝叶斯优化与集
成学习的大数据评价研究等
知识。书中每种算法都以伪
代码的形式进行描述并附有
相应的实例。
本书主要面向广大从事
大数据分析、机器学习、数
据挖掘或深度学习的专业人
员，从事高等教育的专任教
师，高等院校的在读学生及
相关领域的广大科研人员。
商品名称： 大数据分析-预测建模与评价机制
出版社： 清华大学出版社
出版时间：2023-01-01
作者：张聪
译者：
开本： 其它
定价： 89.90
页数：320
印次： 1
ISBN号：9787302610274
商品类型：图书
版次： 1 内容提要
本书将基础理论和算法
实现相结合，介绍了关于大
数据分析中的相关知识，全
面、系统地介绍有关算法的
实现过程，并对算法在相关
实例上的应用结果进行分析
。全书共8章，内容包括差
异化空间插值模型的理论原
理、利用空间信息的大数据
分析预测过程、协作复合神
经网络模型的基础架构、利
用相关特征的大数据分析预
测过程、并行支持向量机的
基本原理、并行支持向量机
下的风险分类评价研究、集
成学习与贝叶斯优化的相关
理论和结合贝叶斯优化与集
成学习的大数据评价研究等
知识。书中每种算法都以伪
代码的形式进行描述并附有
相应的实例。
本书主要面向广大从事
大数据分析、机器学习、数
据挖掘或深度学习的专业人
员，从事高等教育的专任教
师，高等院校的在读学生及
相关领域的广大科研人员。
【目录】
目录
第1章 差异化空间插值模型的理论原理
1.1 自适应深度强化学习算法
1.1.1 概述
1.1.2 竞争深度强化学习算法原理
1.1.3 状态值重利用
1.1.4 动态模糊隶属度因子
1.1.5 自适应深度Q网络
1.1.6 对比实验
1.2 自调整反距离加权插值模型
1.2.1 概述
1.2.2 反距离加权法
1.2.3 变异函数
1.2.4 克里金法
1.2.5 自调整反距离加权插值模型介绍
1.3 几种常用强化学习算法
1.3.1 蒙特卡洛方法
1.3.2 时间差分算法
1.3.3 Q学习算法
1.3.4 深度Q网络
1.3.5 双深度Q网络
1.3.6 优先经验回放
1.4 本章小结
第2章 利用空间信息的大数据分析预测过程
2.1 大数据时代的空间信息挖掘与分析
2.1.1 大数据与空间大数据
2.1.2 空间大数据挖掘
2.1.3 空间大数据分析
2.2 空间信息数据的预测
2.2.1 数据预处理
2.2.2 预测模型的构建
2.2.3 预测结果的对比分析
2.3 本章小结
第3章 协作复合神经网络模型的基础架构
3.1 协作复合神经网络模型概述
3.2 自适应动态灰狼优化算法
3.2.1 灰狼优化算法原理
3.2.2 非线性余弦收敛因子
3.2.3 加权位置更新
3.2.4 中心扰动准则
3.2.5 自适应动态灰狼优化算法运行机制
3.2.6 对比实验
3.3 小波神经网络模型
3.3.1 前向传播过程
3.3.2 损失函数
3.3.3 RMSProp
3.3.4 Nesterov动量
3.4 协作复合神经网络模型的构建
3.5 知识扩展
3.5.1 遗传算法
3.5.2 粒子群优化算法
3.5.3 模拟退火算法
3.5.4 蚁群优化算法
3.5.5 常见的反向传播算法
3.6 本章小结
第4章 利用相关特征的大数据分析预测过程
4.1 大数据的分析机制
4.1.1 相关性分析
4.1.2 训练集与测试集的选择
4.1.3 数据归一化预处理
4.2 可调整参数的设定机制
4.2.1 隐含层节点数的确定
4.2.2 学习率设置
4.2.3 衰减系数设置
4.3 预测模型的性能评价指标
4.3.1 单个模型性能评价指标
4.3.2 多模型性能对比评价方法
4.4 预测性能评价结果及相关分析
4.4.1 数据集1上的预测性能评价结果及相关分析
4.4.2 数据集2上的预测性能评价结果及相关分析
4.5 知识扩展
4.5.1 径向基神经网络预测模型
4.5.2 模糊神经网络预测模型
4.6 本章小结
第5章 并行支持向量机的基本原理
5.1 并行支持向量机概述
5.2 协同鸟群算法
5.2.1 鸟群算法原理
5.2.2 抱团行为
5.2.3 基于适应度差值比的位置更新方式
5.2.4 接受准则
5.2.5 协同鸟群算法运行机制
5.2.6 对比实验
5.3 支持向量机分类模型
5.3.1 概述
5.3.2 统计学习原理
5.3.3 核函数
5.3.4 分类过程
5.4 并行支持向量机模型的构建
5.5 知识扩展
5.5.1 萤火虫算法
5.5.2 磷虾群算法
5.5.3 算法特性对比分析
5.6 本章小结
第6章 并行支持向量机下的风险分类评价研究——以土壤重金属数据为例
6.1 土壤重金属污染概述及风险评价研究现状
6.2 土壤污染评价方法
6.2.1 土壤地球化学基准值与背景值
6.2.2 G家规定的土壤污染风险管控标准
6.2.3 土壤重金属污染评价方法
6.3 土壤重金属数据的预处理
6.4 大数据风险评价结果
6.4.1 评价模型的参数设置
6.4.2 污染风险分类评价结果
6.5 评价模型的性能评价
6.6 知识扩展
6.6.1 决策树算法
6.6.2 K-近邻算法
6.7 本章小结
第7章 集成学习与贝叶斯优化的相关理论
7.1 集成学习方法
7.1.1 集成学习
7.1.2 随机森林原理
7.1.3 个体学习器集成策略
7.1.4 加权随机森林算法运行机制
7.1.5 对比实验
7.2 类别不平衡数据集的处理
7.2.1 上采样算法
7.2.2 下采样算法
7.2.3 混合采样算法
7.3 贝叶斯优化
7.3.1 贝叶斯优化调参原理
7.3.2 概率代理模型
7.3.3 采集函数
7.4 知识扩展
7.4.1 Stacking算法
7.4.2 逻辑回归分类
7.5 本章小结
第8章 结合贝叶斯优化与集成学习的大数据评价研究——以土壤重金属数据为例
8.1 污染评价方法及目标值标记
8.2 数据重采样与预处理
8.2.1 数据重采样
8.2.2 预处理
8.3 集成学习下的土壤污染风险评价结果
8.3.1 算法超参数设置
8.3.2 蔡甸区风险评价实验
8.3.3 江夏区风险评价实验
8.3.4 武汉市整体风险评价实验
8.3.5 应用贝叶斯优化调参
8.4 知识扩展
8.4.1 贝叶斯分类算法
8.4.2 梯度提升树算法
8.5 本章小结
参考文献
第1章 差异化空间插值模型的理论原理
1.1 自适应深度强化学习算法
1.1.1 概述
1.1.2 竞争深度强化学习算法原理
1.1.3 状态值重利用
1.1.4 动态模糊隶属度因子
1.1.5 自适应深度Q网络
1.1.6 对比实验
1.2 自调整反距离加权插值模型
1.2.1 概述
1.2.2 反距离加权法
1.2.3 变异函数
1.2.4 克里金法
1.2.5 自调整反距离加权插值模型介绍
1.3 几种常用强化学习算法
1.3.1 蒙特卡洛方法
1.3.2 时间差分算法
1.3.3 Q学习算法
1.3.4 深度Q网络
1.3.5 双深度Q网络
1.3.6 优先经验回放
1.4 本章小结
第2章 利用空间信息的大数据分析预测过程
2.1 大数据时代的空间信息挖掘与分析
2.1.1 大数据与空间大数据
2.1.2 空间大数据挖掘
2.1.3 空间大数据分析
2.2 空间信息数据的预测
2.2.1 数据预处理
2.2.2 预测模型的构建
2.2.3 预测结果的对比分析
2.3 本章小结
第3章 协作复合神经网络模型的基础架构
3.1 协作复合神经网络模型概述
3.2 自适应动态灰狼优化算法
3.2.1 灰狼优化算法原理
3.2.2 非线性余弦收敛因子
3.2.3 加权位置更新
3.2.4 中心扰动准则
3.2.5 自适应动态灰狼优化算法运行机制
3.2.6 对比实验
3.3 小波神经网络模型
3.3.1 前向传播过程
3.3.2 损失函数
3.3.3 RMSProp
3.3.4 Nesterov动量
3.4 协作复合神经网络模型的构建
3.5 知识扩展
3.5.1 遗传算法
3.5.2 粒子群优化算法
3.5.3 模拟退火算法
3.5.4 蚁群优化算法
3.5.5 常见的反向传播算法
3.6 本章小结
第4章 利用相关特征的大数据分析预测过程
4.1 大数据的分析机制
4.1.1 相关性分析
4.1.2 训练集与测试集的选择
4.1.3 数据归一化预处理
4.2 可调整参数的设定机制
4.2.1 隐含层节点数的确定
4.2.2 学习率设置
4.2.3 衰减系数设置
4.3 预测模型的性能评价指标
4.3.1 单个模型性能评价指标
4.3.2 多模型性能对比评价方法
4.4 预测性能评价结果及相关分析
4.4.1 数据集1上的预测性能评价结果及相关分析
4.4.2 数据集2上的预测性能评价结果及相关分析
4.5 知识扩展
4.5.1 径向基神经网络预测模型
4.5.2 模糊神经网络预测模型
4.6 本章小结
第5章 并行支持向量机的基本原理
5.1 并行支持向量机概述
5.2 协同鸟群算法
5.2.1 鸟群算法原理
5.2.2 抱团行为
5.2.3 基于适应度差值比的位置更新方式
5.2.4 接受准则
5.2.5 协同鸟群算法运行机制
5.2.6 对比实验
5.3 支持向量机分类模型
5.3.1 概述
5.3.2 统计学习原理
5.3.3 核函数
5.3.4 分类过程
5.4 并行支持向量机模型的构建
5.5 知识扩展
5.5.1 萤火虫算法
5.5.2 磷虾群算法
5.5.3 算法特性对比分析
5.6 本章小结
第6章 并行支持向量机下的风险分类评价研究——以土壤重金属数据为例
6.1 土壤重金属污染概述及风险评价研究现状
6.2 土壤污染评价方法
6.2.1 土壤地球化学基准值与背景值
6.2.2 G家规定的土壤污染风险管控标准
6.2.3 土壤重金属污染评价方法
6.3 土壤重金属数据的预处理
6.4 大数据风险评价结果
6.4.1 评价模型的参数设置
6.4.2 污染风险分类评价结果
6.5 评价模型的性能评价
6.6 知识扩展
6.6.1 决策树算法
6.6.2 K-近邻算法
6.7 本章小结
第7章 集成学习与贝叶斯优化的相关理论
7.1 集成学习方法
7.1.1 集成学习
7.1.2 随机森林原理
7.1.3 个体学习器集成策略
7.1.4 加权随机森林算法运行机制
7.1.5 对比实验
7.2 类别不平衡数据集的处理
7.2.1 上采样算法
7.2.2 下采样算法
7.2.3 混合采样算法
7.3 贝叶斯优化
7.3.1 贝叶斯优化调参原理
7.3.2 概率代理模型
7.3.3 采集函数
7.4 知识扩展
7.4.1 Stacking算法
7.4.2 逻辑回归分类
7.5 本章小结
第8章 结合贝叶斯优化与集成学习的大数据评价研究——以土壤重金属数据为例
8.1 污染评价方法及目标值标记
8.2 数据重采样与预处理
8.2.1 数据重采样
8.2.2 预处理
8.3 集成学习下的土壤污染风险评价结果
8.3.1 算法超参数设置
8.3.2 蔡甸区风险评价实验
8.3.3 江夏区风险评价实验
8.3.4 武汉市整体风险评价实验
8.3.5 应用贝叶斯优化调参
8.4 知识扩展
8.4.1 贝叶斯分类算法
8.4.2 梯度提升树算法
8.5 本章小结
参考文献
