数据挖掘中的集成方法

书籍简介:

在过去的十年，集成方法被称为数据挖掘和机器学习领域最具影响的发展。它们集组合多个模型成一体而往往比单个最好的模型更精确。对于从投资时机把握到药物发现，从伪造检测到推荐系统等工业挑战（这些领域中，预测精度较之于模型可解释性更为重要），集成能给以重要的提升。本书首先讨论了决策树。继描述树及其长处不足之后，作者对正则化（当前被认为是现代集成算法高级性能的关键原因）作了概述。随后本书清晰地描述了两个近来的发展：重要性采样（IS）和规则集成（RE）。IS展现了经典集成方法--bagging，随机森林和boosting，它们是单个算法的特例，揭示如何改善其精度和速度。REs是源于规则树集成的线性规则模型。它们是集成的最可解释版本，对于诸如信誉评分和故障诊断等应用是本质性的。最后，作者解释了集成对于新数据在复杂性（显然复杂得多）和更大精度方面的悖论。

书籍规格:

书籍信息归属:

数据挖掘中的集成方法是科学出版社于2015.5出版的中图分类号为 TP274 的主题关于 数据处理 的书籍。