91嫩草国产在线观看永久,好吊日免费视频区域在线观看

本書是一本關(guān)于數(shù)據(jù)流挖掘與在線學(xué)習(xí)算法的著作，該書全面、系統(tǒng)闡述了數(shù)據(jù)流機(jī)器學(xué)習(xí)的模型、算法、平臺(tái)與實(shí)例。全書共10 章，分為4 個(gè)部分：第1 部分包括第1～3 章，介紹數(shù)據(jù)流機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)；第2 部分（第4～6章）介紹基于頻繁模式的數(shù)據(jù)挖掘與在線學(xué)習(xí)算法；第3 部分是基于模型的在線學(xué)習(xí)算法，包括第7 章在線稀疏學(xué)習(xí)模型和第8 章在線低秩表示模型；第4 部分（第9、10 章）介紹基于實(shí)例的數(shù)據(jù)流概念演變檢測(cè)和在線學(xué)習(xí)算法。對(duì)每種典型在線學(xué)習(xí)算法的背景、模型定義、算法設(shè)計(jì)思想以及相關(guān)實(shí)驗(yàn)分析等，書中都有都完整的闡述。同時(shí)，也詳細(xì)分析了一些與在線學(xué)習(xí)密切相關(guān)的離線數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法與應(yīng)用。
本書的實(shí)驗(yàn)平臺(tái)開源、簡(jiǎn)單易用。每章后面都設(shè)計(jì)了操作性強(qiáng)的課程實(shí)驗(yàn)。在圖書下載專區(qū)目錄下，免費(fèi)提供了本書代碼和相關(guān)教學(xué)配套資源的在線瀏覽與下載。
本書適合作為高等學(xué)校數(shù)據(jù)科學(xué)與大數(shù)據(jù)應(yīng)用、智能科學(xué)與技術(shù)、人工智能等專業(yè)本科生和研究生的教材與教學(xué)參考書，也可供研究數(shù)據(jù)流挖掘與在線學(xué)習(xí)算法的科技人員閱讀和使用。

前言
流數(shù)據(jù)是大數(shù)據(jù)的重要來源，在線學(xué)習(xí)算法作為一種增量式的機(jī)器學(xué)習(xí)技術(shù)，是數(shù)據(jù)流挖掘的有效工具。早期的統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法批量訓(xùn)練整個(gè)數(shù)據(jù)集，顯然不能適應(yīng)流數(shù)據(jù)的動(dòng)態(tài)學(xué)習(xí)場(chǎng)景。在線學(xué)習(xí)范式的出現(xiàn)，給大數(shù)據(jù)時(shí)代的機(jī)器學(xué)習(xí)帶來了深刻的影響。統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法的增量化，大體上有基于模型的在線學(xué)習(xí)、基于頻繁模式的在線學(xué)習(xí)和基于實(shí)例的在線學(xué)習(xí)等方式�；谀Ｐ偷脑诰€學(xué)習(xí)包括在線稀疏學(xué)習(xí)模型（第7 章）、在線低秩表示模型（第8 章）等。基于模式的機(jī)器學(xué)習(xí)算法包括批量挖掘頻繁模式算法（第4章和第5 章）、批次更新的流模式挖掘算法（第6 章）等�；趯�(shí)例的在線學(xué)習(xí)算法包括基于實(shí)例塊的概念演變檢測(cè)（第9 章）、自適應(yīng)存儲(chǔ)K 近鄰算法（第10 章）等。書中歸納總結(jié)了在線學(xué)習(xí)模型與算法基礎(chǔ)知識(shí)，完整闡述了每種典型在線學(xué)習(xí)算法的背景、模型定義、算法設(shè)計(jì)思想、相關(guān)實(shí)驗(yàn)分析等。從這個(gè)意義上說，本書是一部數(shù)據(jù)流挖掘與在線學(xué)習(xí)算法的專著。
細(xì)心的讀者可以看到，圖書內(nèi)容為教學(xué)做了精心安排。使用機(jī)器學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行分析，目前已成為計(jì)算機(jī)學(xué)科的基礎(chǔ)內(nèi)容。近幾年全國眾多各層次高校陸續(xù)開設(shè)了數(shù)據(jù)科學(xué)與大數(shù)據(jù)應(yīng)用、人工智能、智能科學(xué)與技術(shù)等新工科專業(yè)，還有不少高校在軟件工程、計(jì)算機(jī)科學(xué)與技術(shù)等專業(yè)里增設(shè)了機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等數(shù)據(jù)分析類課程。筆者自2016 年承擔(dān)了大數(shù)據(jù)基礎(chǔ)大數(shù)據(jù)實(shí)時(shí)分析離線大數(shù)據(jù)分析三門課程的主講教學(xué)任務(wù)，迄今已為四屆本科學(xué)生完整上完這三門大數(shù)據(jù)分析類課程。教學(xué)實(shí)踐中，深切體會(huì)到選用合適的新工科課程教材的艱難與重要。促使筆者自己動(dòng)手寫一本教科書的主因是2022 年下學(xué)期的學(xué)生只開設(shè)一門大數(shù)據(jù)分析技術(shù)課程，原來分開三門課程尚且難以選到勉強(qiáng)適用的教材（主要是英文的），躊躇后決定融合三門課程的科研與教學(xué)實(shí)踐經(jīng)驗(yàn)，以筆者自己的視角來展現(xiàn)大數(shù)據(jù)分析技術(shù)，唯望拋磚引玉，為初學(xué)者略盡綿薄之力。
筆者認(rèn)為，一本好的大數(shù)據(jù)分析教材，一要新，能基本覆蓋重要的前沿材料，要求作者身處科研前沿，專著作為教科書是一件很平常的事情。二要全，所選教學(xué)材料不適用或缺失部分開發(fā)成相對(duì)完整的內(nèi)容，便于引導(dǎo)、示范和培養(yǎng)學(xué)生的開發(fā)能力。三要合，即整個(gè)教材內(nèi)容要適合所教的學(xué)生，這點(diǎn)尤為重要。與市面上流行的數(shù)據(jù)分析圖書不同，本書的基本架構(gòu)為Java Weka MOA，更便于教學(xué)與開發(fā)：①Java 是一門卓越的程序設(shè)計(jì)語言，信息學(xué)科（不僅僅是計(jì)算機(jī)）的學(xué)生都系統(tǒng)學(xué)習(xí)過這門語言。Weka 和MOA 著名分析平臺(tái)都采用Java 語言開發(fā)，通過在Eclipse 工程中引入weka.jar、moa.jar、sizeofag.jar外部包，很容易上手基于平臺(tái)的新算法Java 代碼二次開發(fā)。②Weka 是批量數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域最Z高水平開源軟件，集成了統(tǒng)計(jì)機(jī)器學(xué)習(xí)絕大部分算法。除了提供便利的預(yù)處理、數(shù)據(jù)挖掘、可視化等圖形化操作，Weka 還明確定義了應(yīng)用程序編程接口API，很容易嵌入到用戶自己的Java 工程項(xiàng)目中。③MOA 是一個(gè)面向流數(shù)據(jù)挖掘的平臺(tái)，集成了一些典型的在線學(xué)習(xí)算法。MOA 生成各種數(shù)據(jù)流，算法評(píng)估、參數(shù)選擇、結(jié)果展示等都以圖形化方式操作。還提供了API 調(diào)用開發(fā)新的在線學(xué)習(xí)算法。
全書共10 章，大致可分為4 個(gè)部分：第1 部分包括第1～3 章，介紹數(shù)據(jù)流機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)；第2 部分（第4～6 章）、第3 部分（第7、8 章）、第4 部分（第9、10 章）分別介紹基于頻繁模式、基于模型、基于實(shí)例的各種典型的數(shù)據(jù)挖掘和在線學(xué)習(xí)算法。前3 章之外的后續(xù)各章均相對(duì)獨(dú)立，讀者可根據(jù)自身情況選擇使用。每章之后都設(shè)計(jì)了課程實(shí)驗(yàn)，并在書中給出了各個(gè)實(shí)驗(yàn)報(bào)告供參考。實(shí)驗(yàn)報(bào)告與各章內(nèi)容相對(duì)獨(dú)立，可根據(jù)教學(xué)目標(biāo)和課時(shí)情況靈活選用。
本書的研究工作得到了湖南省自然科學(xué)基金面上項(xiàng)目（No. 2019JJ40111）和湖南省普通高校教學(xué)改革研究項(xiàng)目（No. HNJG-2021-0777）的資助，作者表示衷心的感謝。書中不少原始材料源自作者近年教學(xué)實(shí)踐中本科學(xué)生的實(shí)驗(yàn)報(bào)告或畢業(yè)設(shè)計(jì)論文，在此列出他們的姓名以致謝意：岳登峰、黃世琛、周中梁、李開、馬家旺、鄭霖濤、易俊威、廖莎、周貴飛、肖倩斌、李長(zhǎng)裕、李珊。作者的碩士研究生劉基旺、廖旭紅、江華分別以第4 章和第6 章、第5 章和第9 章、第10 章為主要內(nèi)容進(jìn)行課題研究與開發(fā)，深化與豐富了書稿材料。廖旭紅同學(xué)通讀全稿幫助發(fā)現(xiàn)了許多筆誤。作者感謝教研室、學(xué)院以及學(xué)校相關(guān)部門領(lǐng)導(dǎo)與同事們的大力支持與幫助。另外，特別感謝中國電力出版社的相關(guān)工作人員，為本書的順利出版付出了大量的辛苦勞動(dòng)。
筆者從數(shù)據(jù)流挖掘與在線學(xué)習(xí)算法視角撰寫大數(shù)據(jù)分析教材，還有很多重要、前沿的材料未能覆蓋，即便覆蓋到的部分也僅是管中窺豹，更多內(nèi)容需要與后續(xù)課程配合學(xué)習(xí)。大數(shù)據(jù)分析技術(shù)發(fā)展極迅速，分支領(lǐng)域眾多。筆者才疏學(xué)淺，僅略知皮毛，加上時(shí)間和精力有限，書中如有疏漏之處，懇請(qǐng)讀者諸君不吝賜教。
李志杰
2022 年6 月

目錄
前言
第1 章數(shù)據(jù)流機(jī)器學(xué)習(xí) . 1
1.1 大數(shù)據(jù)的兩種計(jì)算模式 .1
1.1.1 大數(shù)據(jù)離線分析 .1
1.1.2 批量處理方法 2
1.1.3 大數(shù)據(jù)實(shí)時(shí)分析 .3
1.1.4 在線學(xué)習(xí)方法 4
1.2 離線分析平臺(tái)Weka .5
1.2.1 數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí) 5
1.2.2 圖形用戶界面 6
1.2.3 ARFF 格式與示例數(shù)據(jù)集 .8
1.2.4 預(yù)處理過濾器 10
1.2.5 屬性選擇 11
1.2.6 可視化 12
1.3 數(shù)據(jù)流挖掘 .14
1.3.1 數(shù)據(jù)流挖掘循環(huán)過程 14
1.3.2 分類器評(píng)估 .15
1.3.3 分類方法 16
1.3.4 回歸 .22
1.3.5 聚類 .24
1.3.6 頻繁模式挖掘 27
1.4 數(shù)據(jù)流變化處理方法 30
1.4.1 數(shù)據(jù)流分布統(tǒng)計(jì)測(cè)試 30
1.4.2 概念漂移數(shù)據(jù)流產(chǎn)生 31
1.4.3 漂移評(píng)估與探測(cè) 33
1.4.4 自適應(yīng)滑動(dòng)窗口 . 34
1.4.5 數(shù)據(jù)流特征高維問題 35
1.4.6 噪音數(shù)據(jù)流處理 . 36
1.5 大規(guī)模在線分析平臺(tái)MOA . 37
1.5.1 圖形用戶界面 37
1.5.2 命令行操作 39
1.5.3 數(shù)據(jù)源和數(shù)據(jù)流生成器 . 41
課程實(shí)驗(yàn)1 實(shí)驗(yàn)平臺(tái)安裝與操作 44
1.6.1 實(shí)驗(yàn)?zāi)康?. 44
1.6.2 實(shí)驗(yàn)環(huán)境 . 44
1.6.3 安裝平臺(tái) . 44
1.6.4 平臺(tái)操作 . 47
參考文獻(xiàn) . 50
第2 章 MOA 平臺(tái)機(jī)器學(xué)習(xí)實(shí)例 . 52
2.1 MOA 分類 52
2.1.1 MOA 分類器 . 52
2.1.2 樸素貝葉斯增量分類器 . 53
2.1.3 Hoeffding 自適應(yīng)窗口樹 55
2.1.4 MOA 分類實(shí)戰(zhàn)操作 . 57
2.2 集成分類實(shí)例 65
2.2.1 裝袋算法 . 65
2.2.2 提升算法 . 66
2.2.3 隨機(jī)森林算法 68
2.2.4 MOA 集成實(shí)戰(zhàn)操作 . 69
2.3 MOA 聚類 78
2.3.1 MOA 聚類設(shè)置 78
2.3.2 DBSCAN 密度聚類 81
2.3.3 Den-Stream 數(shù)據(jù)流聚類 . 82
2.3.4 MOA 聚類實(shí)戰(zhàn)操作 . 83
2.4 頻繁閉合項(xiàng)集挖掘算法 . 90
2.4.1 MOA 擴(kuò)展包 . 90
2.4.2 MOA 加載配置IncMine 擴(kuò)展包 91
2.4.3 Java 調(diào)用IncMine 對(duì)象和選項(xiàng) 92
2.4.4 Eclipse 環(huán)境下開發(fā)IncMine 代碼 93
課程實(shí)驗(yàn)2 數(shù)據(jù)分類 95
2.5.1 實(shí)驗(yàn)?zāi)康?95
2.5.2 實(shí)驗(yàn)環(huán)境 96
2.5.3 Weka 分類 96
2.5.4 MOA 分類 99
參考文獻(xiàn) 104
第3 章數(shù)據(jù)流在線學(xué)習(xí)模型與典型算法 105
3.1 數(shù)據(jù)流挖掘sketch 105
3.1.1 sketch 概念與包含的操作 105
3.1.2 自適應(yīng)滑動(dòng)窗口ADwin 106
3.1.3 數(shù)據(jù)流挖掘幾種代表性sketch . 108
3.2 在線學(xué)習(xí)定義與類型 . 116
3.2.1 在線學(xué)習(xí)定義 . 116
3.2.2 在線學(xué)習(xí)算法類型劃分 117
3.2.3 在線學(xué)習(xí)常用數(shù)據(jù)集 . 120
3.2.4 集成學(xué)習(xí)與并行化處理方式 . 124
3.3 基于批次FCIs 的滑動(dòng)窗口更新 . 126
3.3.1 semi-FCI 概念 . 126
3.3.2 基于批次的IncMine 滑動(dòng)窗口更新 . 127
3.4 在線低秩表示矩陣更新 128
3.4.1 低秩矩陣模型 . 128
3.4.2 在線更新低秩表示矩陣 129
3.5 在線對(duì)偶平均多任務(wù)學(xué)習(xí)框架 130
3.5.1 任務(wù)與特征選擇混合范數(shù) 130
3.5.2 特征權(quán)重矩陣在線更新 131
3.6 在線－離線結(jié)合的數(shù)據(jù)流聚類算法 . 132
3.6.1 層次聚類算法 . 132
3.6.2 基于密度的聚類算法 . 132
3.7 數(shù)據(jù)流微分類器集成檢測(cè)概念演變 . 133
3.7.1 微分類器集成 . 133
3.7.2 概念演變檢測(cè)與分類 . 134
3.8 在線惰性自適應(yīng)學(xué)習(xí)算法 135
3.8.1 雙存儲(chǔ)機(jī)制 135
3.8.2 SAM-KNN 分類 135
課程實(shí)驗(yàn)3 數(shù)據(jù)聚類 . 136
3.9.1 實(shí)驗(yàn)?zāi)康?136
3.9.2 實(shí)驗(yàn)環(huán)境 136
3.9.3 Weka 聚類 136
3.9.4 MOA 聚類 139
參考文獻(xiàn) 141
第4 章離線挖掘頻繁閉合項(xiàng)集 . 144
4.1 算法背景 144
4.1.1 離線挖掘頻繁項(xiàng)集 . 144
4.1.2 頻繁閉合項(xiàng)集 145
4.2 Charm 批量挖掘頻繁閉合項(xiàng)集 146
4.2.1 項(xiàng)集-事務(wù)集鍵值對(duì) 146
4.2.2 Itemset-Tidset 前綴搜索樹 . 147
4.2.3 Charm 處理關(guān)系表型數(shù)據(jù) . 148
4.2.4 Charm 偽代碼 148
4.3 程序主類實(shí)現(xiàn) 150
4.3.1 Charm 程序組成 150
4.3.2 Main 類代碼 150
4.4 模式分類的性能比較 155
4.4.1 Output 類代碼 155
4.4.2 模式與訓(xùn)練數(shù)據(jù)集分類 157
4.4.3 抗噪音性能 . 158
課程實(shí)驗(yàn)4 頻繁模式挖掘 . 159
4.5.1 實(shí)驗(yàn)?zāi)康?159
4.5.2 實(shí)驗(yàn)環(huán)境 159
4.5.3 Weka 頻繁項(xiàng)與關(guān)聯(lián)規(guī)則挖掘 . 160
參考文獻(xiàn) 162
第5 章頻繁子序列與基因表達(dá)數(shù)據(jù)雙向聚類 . 163
5.1 雙向聚類算法 163
5.1.1 單向聚類與全局模式 163
5.1.2 雙聚類與局部模式 . 163
5.2 基因表達(dá)保序子矩陣方法與實(shí)現(xiàn) . 164
5.2.1 基因表達(dá)保序子矩陣 164
5.2.2 頻繁閉合子序列挖掘算法 . 165
5.2.3 Charm_Seq 程序結(jié)構(gòu) 166
5.3 Main 類代碼 167
5.4 AlgoCharm_Bitset 類代碼 171
課程實(shí)驗(yàn)5 基因數(shù)據(jù)局部模式挖掘 . 177
5.5.1 實(shí)驗(yàn)?zāi)康?177
5.5.2 實(shí)驗(yàn)環(huán)境 177
5.5.3 輸入基因表達(dá)數(shù)據(jù) 178
5.5.4 基因表達(dá)值排序 178
5.5.5 基因表達(dá)值替換為列標(biāo)簽 179
5.5.6 挖掘公共閉合子序列 . 180
5.5.7 Charm_Seq 雙向聚類信息 182
參考文獻(xiàn) 183
第6 章數(shù)據(jù)流顯露模式與貝葉斯分類 184
6.1 基于模式的數(shù)據(jù)流分類方法 . 184
6.1.1 數(shù)據(jù)流分類流程 184
6.1.2 基于模式的數(shù)據(jù)流分類 185
6.2 IncMine 算法 185
6.2.1 算法思想 185
6.2.2 Main 代碼 . 186
6.2.3 IncMine 輸入數(shù)據(jù)流 187
6.3 IncMine 概念漂移檢測(cè) . 189
6.3.1 概念漂移種類 . 189
6.3.2 基于頻繁項(xiàng)集數(shù)量監(jiān)控概念漂移 190
6.4 基于顯露模式的數(shù)據(jù)流貝葉斯分類算法 192
6.4.1 貝葉斯分類與顯露模式 192
6.4.2 關(guān)系表型數(shù)據(jù)流半懶惰學(xué)習(xí) . 193
6.4.3 實(shí)驗(yàn)結(jié)果與分析 195
課程實(shí)驗(yàn)6 IncMine 概念漂移檢測(cè) 196
6.5.1 實(shí)驗(yàn)?zāi)康?196
6.5.2 實(shí)驗(yàn)環(huán)境 196
6.5.3 命令行方式運(yùn)行IncMine 196
6.5.4 Eclipse 環(huán)境下IncMine 配置與運(yùn)行 . 197
6.5.5 合成數(shù)據(jù)流 199
6.5.6 概念漂移檢測(cè) . 200
參考文獻(xiàn) 201
第7 章在線特征稀疏學(xué)習(xí) 202
7.1 嵌入式特征選擇 202
7.1.1 特征子集搜索 . 202
7.1.2 L1 正則稀疏化 204
7.1.3 LASSO 的在線學(xué)習(xí)算法 . 206
7.2 多任務(wù)在線學(xué)習(xí)與特征選擇 207
7.2.1 正則化對(duì)偶平均在線學(xué)習(xí)框架 207
7.2.2 多任務(wù)學(xué)習(xí)時(shí)空代價(jià)分析 . 209
7.3 多任務(wù)加速在線學(xué)習(xí)算法 . 210
7.3.1 加速的多任務(wù)在線學(xué)習(xí)算法 210
7.3.2 求解權(quán)重矩陣的閉式解 211
7.3.3 算法收斂理論分析 . 212
7.4 協(xié)同過濾在線學(xué)習(xí) . 215
7.4.1 概率矩陣分解 215
7.4.2 對(duì)偶平均加速在線PMF . 216
7.4.3 實(shí)驗(yàn)驗(yàn)證 218
課程實(shí)驗(yàn)7 KDD Cup99 分類實(shí)戰(zhàn) 220
7.5.1 實(shí)驗(yàn)?zāi)康?220
7.5.2 實(shí)驗(yàn)環(huán)境 220
7.5.3 數(shù)據(jù)集預(yù)處理 221
7.5.4 分類性能比較 225
參考文獻(xiàn) 227
第8 章低秩表示在線學(xué)習(xí) 228
8.1 字典學(xué)習(xí)與稀疏表示 228
8.1.1 字典學(xué)習(xí) 229
8.1.2 數(shù)據(jù)集字典學(xué)習(xí)優(yōu)化與求解 230
8.2 低秩子空間學(xué)習(xí) 231
8.2.1 預(yù)備知識(shí) 231
8.2.2 魯棒主成分分析 233
8.2.3 低秩矩陣表示 234
8.3 魯棒主成分分析求解 234
8.3.1 RPCA 優(yōu)化表達(dá)式 235
8.3.2 RPCA 求解 235
8.3.3 圖像背景建模應(yīng)用 . 237
8.4 低秩矩陣表示求解 . 237
8.4.1 LRR 優(yōu)化表達(dá)式 . 238
8.4.2 LRR 求解 . 238
8.4.3 數(shù)據(jù)表示矩陣Z 稀疏性 239
8.5 結(jié)構(gòu)化增量子空間聚類算法 . 240
8.5.1 靜態(tài)學(xué)習(xí)階段 . 240
8.5.2 構(gòu)建相似矩陣 . 241
8.5.3 相似度矩陣的動(dòng)態(tài)更新 242
8.5.4 結(jié)構(gòu)化增量子空間聚類算法 . 242
8.6 噪音魯棒增量子空間表示算法 243
8.6.1 靜態(tài)子空間結(jié)構(gòu) 243
8.6.2 相似度矩陣的動(dòng)態(tài)更新 244
8.6.3 噪音魯棒增量子空間表示算法 244
課程實(shí)驗(yàn)8 基于詞袋模型的文本數(shù)據(jù)分類 . 245
8.7.1 實(shí)驗(yàn)?zāi)康?245
8.7.2 實(shí)驗(yàn)環(huán)境 245
8.7.3 Weka 文本分類 245
8.7.4 MOA 文本分類 . 249
參考文獻(xiàn) 251
第9 章可變數(shù)據(jù)流重復(fù)類與新類檢測(cè) 252
9.1 重復(fù)性概念 252
9.1.1 數(shù)據(jù)流分布重現(xiàn) 252
9.1.2 分類器再利用 . 252
9.2 微分類器與ART 聚類 254
9.2.1 微分類器與微簇 254
9.2.2 K 均值聚類 255
9.2.3 ART 聚類 256
9.3 自適應(yīng)諧振理論ART 256
9.3.1 ART 處理流程 257
9.3.2 網(wǎng)絡(luò)學(xué)習(xí)算法 . 258
9.3.3 ART 聚類示例 259
9.4 微分類器集成與分類 . 263
9.4.1 可變數(shù)據(jù)流構(gòu)建微分類器集成 264
9.4.2 集成分類與離群點(diǎn)識(shí)別 264
9.5 新類檢測(cè) 266
9.5.1 U-outliers 定量度量 . 266
9.5.2 新類檢測(cè) 267
課程實(shí)驗(yàn)9 K 均值聚類分析 . 267
9.6.1 實(shí)驗(yàn)?zāi)康?267
9.6.2 實(shí)驗(yàn)環(huán)境 268
9.6.3 Weka 平臺(tái)K 均值聚類 268
9.6.4 MOA 平臺(tái)K 均值聚類相關(guān)分析 270
參考文獻(xiàn) 273
第10 章 KNN 自適應(yīng)存儲(chǔ)處理異質(zhì)概念漂移 . 274
10.1 數(shù)據(jù)流測(cè)試－訓(xùn)練交替評(píng)估方式 274
10.1.1 交替測(cè)試訓(xùn)練錯(cuò)誤評(píng)估 274
10.1.2 數(shù)據(jù)流概念漂移種類 275
10.2 自適應(yīng)存儲(chǔ)模型 276
10.2.1 模型體系結(jié)構(gòu) 276
10.2.2 SAM-KNN 分類 277
10.3 SAM 模型自適應(yīng)性 . 278
10.3.1 模型參數(shù) . 278
10.3.2 STM 新概念適應(yīng)性 278
10.3.3 清理與轉(zhuǎn)化實(shí)例操作 279
10.3.4 LTM 聚類壓縮 . 280
10.4 集成SAM-KNN . 280
10.4.1 SAM 在線裝袋 . 280
10.4.2 SAM 集成算法 . 281
10.4.3 參數(shù)對(duì)集成分類準(zhǔn)確度的影響分析 282
課程實(shí)驗(yàn)10 KNN 分類方法 . 284
10.5.1 實(shí)驗(yàn)?zāi)康?. 284
10.5.2 實(shí)驗(yàn)環(huán)境 . 284
10.5.3 Weka 平臺(tái)KNN 分類 284
10.5.4 MOA 平臺(tái)SAM-KNN 分類 287
參考文獻(xiàn) 289

你還可能感興趣

我要評(píng)論