商品基本信息

商品名稱：

  基於機器學習的數據缺失值填補：理論與方法

作     者：

  賴曉晨 張立勇 劉輝 吳霞

市 場 價：

  79

ISBN  號：

  9787111663058

出版日期：

  2020-09

頁     數：

  248

字     數：

  174千字

出 版 社：

  機械工業出版社

  內容簡介

內容介紹
這是一部講解如何基於機器學習技術實現數據缺失值填補的專著，與傳統的基於統計學的缺失值填補方法相比，效率上得到了較大的提升。作者基於多年的研究和實踐成果，創新性地提出了基於神經網絡的缺失值填補方法和基於TS模型的缺失值填補方法。
全書共8章，可分為4個部分。
*一部分（*1~3章）：首先介紹缺失值填補領域的缺失數據機制、基本概念、性能度量等基礎知識，隨後詳細闡述目前基於統計學、機器學習的缺失值填補理論與方法。
*二部分（第4~5章）：對目前神經網絡在缺失值填補領域的研究成果進行歸納總結，並從網絡模型、填補方案角度闡述神經網絡填補方法的設計及應用。
第三部分（第6~7章）：詳細介紹面向不完整數據的TS建模過程，隨後通過特征選擇算法處理TS建模中的特征冗餘問題，並從前提參數優化和結論參數優化兩個角度改進TS模型。
第四部分（第8章）：以缺失值填補方法在我國貧困問題研究中的應用為例，展現缺失值填補方法的現實意義。

  目錄

  前言
*1章 緒論 1
1.1 缺失值填補的背景與意義 1
1.2 缺失值填補方法的研究現狀概述 3
1.2.1 基於統計學的缺失值填補方法 3
1.2.2 基於機器學習的缺失值填補方法 4
1.3 缺失值填補的應用 7
1.4 本章小結 10
參考文獻 11
*2章 缺失數據的處理方法 14
2.1 數據缺失機制 14
2.1.1 完全隨機缺失 15
2.1.2 隨機缺失 15
2.1.3 非隨機缺失 16
2.2 缺失數據的處理 17
2.2.1 不做處理 17
2.2.2 不完整樣本刪除 19
2.2.3 缺失值填補 20
2.3 缺失值填補概述 22
2.3.1 基本概念 22
2.3.2 方法分類 24
2.3.3 性能度量 26
2.4 本章小結 29
參考文獻 29
第3章 缺失值填補方法 31
3.1 基於樣本間相似度的填補方法 31
3.1.1 均值填補法 31
3.1.2 熱平臺填補法 34
3.1.3 K*近鄰填補法 36
3.1.4 基於聚類的填補方法 39
3.2 基於屬性間相關性的填補方法 46
3.2.1 基於線性回歸的填補方法 46
3.2.2 基於非線性回歸的填補方法 51
3.2.3 基於神經網絡的填補方法 54
3.3 基於參數估計的期望*大化填補方法 60
3.3.1 參數估計法 60
3.3.2 期望*大化填補法 63
3.4 針對缺失數據不確定性的填補方法 66
3.4.1 多重填補法 67
3.4.2 基於證據理論的填補方法 72
3.5 本章小結 78
參考文獻 79
第4章 面向不完整數據的神經網絡填補方法 81
4.1 基於自組織映射網絡的填補方法 81
4.1.1 自組織映射網絡理論 81
4.1.2 自組織映射網絡的缺失值處理 85
4.2 基於單層感知機的填補方法 87
4.2.1 單層感知機理論 87
4.2.2 傳統單層感知機的改進 88
4.2.3 單層感知機填補模型 89
4.3 基於多層感知機的填補方法 91
4.3.1 多層感知機理論 91
4.3.2 基於多層感知機集群的填補方法 93
4.3.3 基於多層感知機簡化集群的填補方法 95
4.4 基於自編碼器及其變體的填補方法 96
4.4.1 基於自編碼器的填補法 97
4.4.2 基於徑向基函數自編碼器的填補法 99
4.4.3 基於廣義回歸自編碼器的填補法 102
4.4.4 基於對偶傳播自編碼器的填補法 104
4.4.5 基於極限學習機自編碼器的填補法 106
4.5 面向不完整數據的屬性關聯建模與填補方法 107
4.5.1 基於去跟蹤自編碼器的填補法 108
4.5.2 基於關聯增強型自編碼器的填補法 112
4.5.3 基於多任務學習的填補方法 114
4.6 典型神經網絡填補模型實驗 117
4.6.1 實驗設計 118
4.6.2 不同網絡模型的填補精度 120
4.6.3 自編碼器的自跟蹤性 121
4.6.4 去跟蹤自編碼器的去跟蹤性 123
4.7 本章小結 124
參考文獻 124
第5章 神經網絡填補方法的優化設計 127
5.1 面向不完整數據的代價函數 127
5.2 兩階段式填補方案 131
5.2.1 訓練階段 132
5.2.2 填補階段 135
5.3 融合式填補方案 143
5.3.1 基於缺失值變量的神經網絡動態填補方案 143
5.3.2 缺失值變量與模型參數的動態更新 144
5.3.3 時間復雜度 147
5.4 典型神經網絡填補方案實驗 149
5.4.1 實驗設計 149
5.4.2 不同填補方案的填補精度 152
5.4.3 MVPT填補方案的收斂性 154
5.5 本章小結 155
參考文獻 156
第6章 基於TS建模的非線性回歸填補法 157
6.1 模糊數學基礎 157
6.1.1 模糊數學與模糊集合 157
6.1.2 模糊數學在缺失值填補中的應用 158
6.2 TS模型 159
6.2.1 TS模型基本結構 159
6.2.2 TS模型研究與應用現狀 160
6.3 基於TS模型的填補方法 163
6.3.1 基於TS模型的填補方法概述 163
6.3.2 前提參數獲取 165
6.3.3 結論參數獲取 168
6.3.4 缺失值填補 169
6.4 基於特征選擇的TS模型填補法 170
6.4.1 特征選擇算法概述 170
6.4.2 基於特征選擇的TS模型填補法 177
6.5 TS模型填補方法實驗 178
6.5.1 實驗設計 178
6.5.2 TS模型與回歸模型的填補效果對比 179
6.5.3 特征選擇對TS模型擬合精度的影響 181
6.5.4 特征選擇對TS模型填補精度的影響 183
6.6 本章小結 186
參考文獻 186
第7章 TS模型填補方法的優化設計 188
7.1 面向類不均衡數據的TS模型優化 188
7.1.1 TS模型中的FCM算法 188
7.1.2 FCM算法存在的問題 190
7.1.3 DPC算法 192
7.1.4 類不均衡數據的MDF算法 195
7.1.5 MDF算法實驗 196
7.2 基於交替學習策略的TS模型填補方法 204
7.2.1 TS結論參數與填補值的交替學習策略 206
7.2.2 交替學習策略的迭代收斂性 208
7.2.3 交替學習策略下線性回歸填補法實驗 209
7.2.4 交替學習策略下TS模型填補法實驗 210
7.3 本章小結 212
參考文獻 212
第8章 基於缺失值填補的中國貧困家庭特征分析 213
8.1 精準扶貧過程中的數據缺失問題 213
8.1.1 我國貧困問題研究 213
8.1.2 中國家庭追蹤調查中的數據缺失問題 214
8.2 CFPS數據集缺失值填補 216
8.2.1 基於去跟蹤自編碼器的動態缺失值填補 216
8.2.2 缺失值填補精度 217
8.3 貧困家庭識別 219
8.3.1 多維貧困測度 219
8.3.2 貧困的維度指標及臨界剝奪值 220
8.3.3 基於層次分析法的多維貧困指標權重計算 223
8.3.4 CFPS2016數據集的多維貧困家庭識別 227
8.4 基於聚類算法的貧困家庭類別劃分 229
8.4.1 層次聚類算法 229
8.4.2 貧困家庭聚類 230
8.5 貧困家庭典型特征分析 232
8.5.1 多重聚類特征選擇算法 232
8.5.2 貧困家庭典型特征選擇 233
8.6 本章小結 235
參考文獻 236