包邮 机器学习算法建模分析

章 机器学习算法研究概述 1.1 垃圾邮件分类算法 1.2 情感分类方法 1.3 噪音数据消除算法 1.4 朴素贝叶斯算法研究 1.5 密度聚类算法研究 1.6 数据集群存储策略研究 1.7 KNN分类算法研究 1.8 特征选择算法研究 1.9 半监督混合聚类算法 1.10 本书主要研究内容 第二章 基于主动学习和否定选择的垃圾邮件分类算法研究 2.1 引言 2.2 ActiveLearning Negative Selection Text Categorization (ALNSTC)基本思想 2.2.1 准备工作 2.2.2 建立用户兴趣集 2.2.3 主动否定学习算法 2.3 实验结果及分析 2.3.1 数据集 2.3.2 评价标准 2.3.3 准确率和召回率分析 2.3.4 AUC分析 2.3.5 分类耗时分析 2.3.6 用户标注负担分析 2.4 本章小结 第三章 基于迁移学习的微博短文本情感分类算法研究 3.1 引言 3.2 基本理论 3.3 新的微博短文本情感分类方法 3.3.1 基本思想 3.3.2 PCAKFS算法 3.3.3 TLSC算法 3.4 实验验证及分析 3.4.1 实验数据集 3.4.2 基准方法 3.5 本章小结 第四章 海量文本分类并行化噪音数据消除算法研究 4.1 引言 4.2 基本理论 4.2.1 主成分分析方法 4.2.2 TFIDF方法 4.2.3 噪音数据 4.3 PrincipalComponent Analysis of Noise Eliminate algorithm (PNE)算法 4.4 实验及分析 4.4.1 实验设置 4.4.2 度量标准 4.4.3 数据集 4.4.4 结果分析 4.5 本章小结 第五章 基于PSO的朴素贝叶斯改进算法研究 5.1 引言 5.2 文本预处理 5.2.1 互信息算法的改进 5.2.2 改进的CDMI特征评价函数 5.3 朴素贝叶斯优化算法 5.3.1 PSO优化算法 5.3.2 PSO-NB算法 5.4 实验及结果分析 5.4.1 互信息参数和粒子群参数的选取 5.4.2 评价指标 5.4.3 PSO-NB算法验证 5.5 本章小结 第六章 基于MapReduce的密度聚类改进算法研究 6.1 引言 6.2 DBSCAN聚类算法改进 6.2.1 DBSCAN聚类算法 6.2.2 遗传算法改进方案 6.2.3 GA-DBSCAN算法设计与改进 6.3 基于MapReduce并行GA-DBSCAN 6.3.1 Map过程 6.3.2 Reduce过程 6.4 实验结果分析总结 6.5 本章小结 第七章 一致性哈希的数据集群存储优化策略研究 7.1 引言 7.2 一致性哈希数据存储算法 7.2.1 基本原理 7.2.2 一致性哈希算法描述 7.3 优化策略 7.3.1 数据存储空间优化调整 7.3.2 数据调整策略 7.3.3 性能分析 7.4 实验与结果分析 7.5 本章小结 第八章 基于MapReduce编程模型的改进KNN分类算法研究 8.1 引言 8.2 相关知识 8.2.1 KNN分类算法的基本原理 8.2.2 MapReduce框架 8.2.3 属性约简方法 8.3 改进KNN算法 8.3.1 基于属性约简的KNN分类算法 8.3.2 改进后的KNN 算法的MapReduce并行化 8.4 实验分析 8.4.1 实验环境及数据 8.4.2 实验过程及分析 8.5 本章小结 第九章 一种结合改进CHI和RFFS的特征选择算法研究 9.1 引言 9.2 传统CHI特征选择算法 9.3 改进CHI特征选择算法 9.3.1 特征词词频与类别相关性分析 9.3.2 TDF-CHI算法 9.4 RFFS算法 9.5 分类模型构建 9.5.1 数据预处理 9.5.2 文本向量化 9.5.3 分类器训练测试 9.6 实验与结果分析 9.6.1 实验数据 9.6.2 数据预处理 9.6.3 分类性能评估 9.7 本章小结 第十章 参数自适应学习的半监督混合聚类算法 10.1 引言 10.2 人工蜂群的聚类 10.3 半监督人工蜂群聚类算法 10.3.1 算法框架 10.3.2 改进的目标函数 10.3.4 聚类算法优化 10.3.5 APL-SSHC算法 10.4 实验结果与分析 10.4.1 实验准备工作 10.4.2 算法验证 10.4.3 参数α自适应优化实验结果 10.4.4 APL-SSHC算法验证 10.5 本章小结 参考文献