掃一掃
關(guān)注中圖網(wǎng)
官方微博
稀疏支持向量回歸機(jī)的構(gòu)建與應(yīng)用 版權(quán)信息
- ISBN：9787521845990
- 條形碼：9787521845990 ; 978-7-5218-4599-0
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
稀疏支持向量回歸機(jī)的構(gòu)建與應(yīng)用 內(nèi)容簡介
大數(shù)據(jù)對回歸模型提出以下幾個方面的要求： (1)稀疏性，“高維”數(shù)據(jù)的特征選擇問題，選取重要特征，舍棄“冗余”或者信息含量少的特征，是回歸算法面臨的新挑戰(zhàn)；(2)魯棒性，對于含有異常點的回歸問題，決策函數(shù)對異常點具有魯棒性；(3)在線性，對于數(shù)據(jù)流問題，決策函數(shù)的回歸系數(shù)應(yīng)具有在線性，能夠反映在線數(shù)據(jù)流的實時變化效應(yīng)；(4) 異質(zhì)性，高維數(shù)據(jù)具有后尾分布的異質(zhì)性，如何使稀疏技術(shù)選擇的特征能反映數(shù)據(jù)的整體分布特征，提取數(shù)據(jù)的異質(zhì)信息。
針對大數(shù)據(jù)的這些特征，本書在已有支持向量回歸模型的研究基礎(chǔ)上，將從以下幾個方面展開研究：(1)融入L1模或Lp模稀疏正則項，構(gòu)建稀疏支持向量回歸模型，其能夠從高維數(shù)據(jù)中選取相關(guān)的主要特征，舍棄無關(guān)的冗余特征，完成信息價值“提純”；(2)設(shè)計具有魯棒性的損失函數(shù)，使其決策函數(shù)不易受異常點的影響，即決策函數(shù)不受異常點的干擾，具有一定的穩(wěn)健性； (3)采用增量算法，
使其決策函數(shù)的回歸系數(shù)具有動態(tài)性，反應(yīng)數(shù)據(jù)流的實時性，克服非在線算法決策函數(shù)回歸系數(shù)的固定不變性；(4)引入統(tǒng)計學(xué)的分位數(shù)回歸思想，利用分位數(shù)精確地描述自變量對于因變量條件分布的整體影響，全面反映數(shù)據(jù)的分布特征。大數(shù)據(jù)對回歸模型提出以下幾個方面的要求： (1)稀疏性，“高維”數(shù)據(jù)的特征選擇問題，選取重要特征，舍棄“冗余”或者信息含量少的特征，是回歸算法面臨的新挑戰(zhàn)；(2)魯棒性，對于含有異常點的回歸問題，決策函數(shù)對異常點具有魯棒性；(3)在線性，對于數(shù)據(jù)流問題，決策函數(shù)的回歸系數(shù)應(yīng)具有在線性，能夠反映在線數(shù)據(jù)流的實時變化效應(yīng)；(4) 異質(zhì)性，高維數(shù)據(jù)具有后尾分布的異質(zhì)性，如何使稀疏技術(shù)選擇的特征能反映數(shù)據(jù)的整體分布特征，提取數(shù)據(jù)的異質(zhì)信息。
針對大數(shù)據(jù)的這些特征，本書在已有支持向量回歸模型的研究基礎(chǔ)上，將從以下幾個方面展開研究：(1)融入L1模或Lp模稀疏正則項，構(gòu)建稀疏支持向量回歸模型，其能夠從高維數(shù)據(jù)中選取相關(guān)的主要特征，舍棄無關(guān)的冗余特征，完成信息價值“提純”；(2)設(shè)計具有魯棒性的損失函數(shù)，使其決策函數(shù)不易受異常點的影響，即決策函數(shù)不受異常點的干擾，具有一定的穩(wěn)健性； (3)采用增量算法，
使其決策函數(shù)的回歸系數(shù)具有動態(tài)性，反應(yīng)數(shù)據(jù)流的實時性，克服非在線算法決策函數(shù)回歸系數(shù)的固定不變性；(4)引入統(tǒng)計學(xué)的分位數(shù)回歸思想，利用分位數(shù)精確地描述自變量對于因變量條件分布的整體影響，全面反映數(shù)據(jù)的分布特征。
面對大數(shù)據(jù)，指數(shù)構(gòu)建面臨前所未有的挑戰(zhàn)：(1) 如何排除噪聲和異常點現(xiàn)象帶來的干擾，是指數(shù)構(gòu)建面臨的一大挑戰(zhàn)；(2)如何舍棄信息價值低的冗余指標(biāo)，保留信息價值高的代表性指標(biāo)，降低數(shù)據(jù)維度，是指數(shù)構(gòu)建面臨的第二大挑戰(zhàn)；(3)如何滿足在線數(shù)據(jù)的高頻性，構(gòu)建實時動態(tài)指數(shù)凸顯在線信息，是指數(shù)構(gòu)建面臨的第三大挑戰(zhàn)。針對指數(shù)構(gòu)建面臨的這些挑戰(zhàn)，本書構(gòu)建的各種支持向量回歸模型恰能解決這些問題：首先處理數(shù)據(jù)的缺失等現(xiàn)象，排除噪聲和異常點帶來的干擾，采用稀疏支持向量回歸模型，解決大數(shù)據(jù)背景下指標(biāo)的選擇問題，為指數(shù)構(gòu)造提供高質(zhì)量的“原材料”；其次針對數(shù)據(jù)高頻在線的特點，采用在線支持向量回歸模型，確定代表性指標(biāo)的動態(tài)權(quán)重，凸顯數(shù)據(jù)的實時動態(tài)效應(yīng)。相信本書能為動態(tài)指數(shù)的構(gòu)建提供新方法和新思路，開拓數(shù)學(xué)、統(tǒng)計學(xué)與機(jī)器學(xué)習(xí)的交叉研究，為大數(shù)據(jù)統(tǒng)計建模的發(fā)展貢獻(xiàn)微薄之力。
稀疏支持向量回歸機(jī)的構(gòu)建與應(yīng)用 目錄
**篇 開場篇
**章 緒論
**節(jié) 高維數(shù)據(jù)的稀疏性
第二節(jié) 稀疏支持向量回歸機(jī)的研究現(xiàn)狀
第二篇 技術(shù)篇
第二章 支持向量機(jī)
**節(jié) 線性模型
第二節(jié) 統(tǒng)計學(xué)習(xí)理論
第三節(jié) 支持向量回歸機(jī)的拓展：學(xué)習(xí)速度
第四節(jié) 支持向量回歸機(jī)的拓展：穩(wěn)健學(xué)習(xí)
第五節(jié) 支持向量回歸機(jī)的拓展：在線學(xué)習(xí)
第三章 稀疏支持向量回歸機(jī)
**節(jié) 稀疏支持向量回歸機(jī)
第二節(jié) L1-模*小二乘支持向量回歸機(jī)
第三節(jié) 廣義不敏感自適應(yīng)Lasso模型
第四節(jié) Lp-模*小二乘支持向量回歸機(jī)
第五節(jié) Lp-模支持向量分位數(shù)回歸機(jī)
第六節(jié) 支持向量回歸機(jī)的非線性特征選擇
第三篇 應(yīng)用痛
第四章 中國金融狀況指數(shù)的構(gòu)建方案
**節(jié) 指數(shù)構(gòu)建的研究現(xiàn)狀
第二節(jié) 中國金融狀況指數(shù)的研究方案
第五章 中國時變金融狀況指數(shù)的構(gòu)建
**節(jié) 金融狀況指數(shù)的研究現(xiàn)狀
第二節(jié) 中國金融狀況指數(shù)的指標(biāo)選擇
第三節(jié) 構(gòu)建中國時變金融狀況指數(shù)
第六章 中國時變金融狀況指數(shù)的預(yù)測能力
**節(jié) 金融狀況指數(shù)與通貨膨脹
第二節(jié) 金融狀況指數(shù)與經(jīng)濟(jì)增長、通貨膨脹的相關(guān)性
第三節(jié) 中國時變金融狀況指數(shù)的預(yù)測能力分析
第七章 中國時變金融狀況指數(shù)與利率規(guī)則研究
**節(jié) 金融狀況指數(shù)與利率規(guī)則
第二節(jié) DSGE模型的貝葉斯估計
第三節(jié) DSGE模型的模擬結(jié)論分析
附錄1 數(shù)據(jù)
附錄2 參數(shù)的分布
參考文獻(xiàn)
后記
展開全部
稀疏支持向量回歸機(jī)的構(gòu)建與應(yīng)用 作者簡介
葉婭芬，女，副教授，統(tǒng)計學(xué)博士，浙江大學(xué)博士后，悉尼大學(xué)訪問學(xué)者，主要從事數(shù)據(jù)挖掘的回歸模型研究。曾主持國家自然科學(xué)青年基金1項，主持省部級基金5項，主要參與國家自然科學(xué)青年基金3項，主要參與省部級基金4項。近5年來，以第一作者發(fā)表SCI(JCR:Q1) 期刊論文4篇，SSCI期刊論文3篇，主要授課包括數(shù)值計算、數(shù)理統(tǒng)計學(xué)、數(shù)據(jù)挖掘和多元統(tǒng)計分析等。
書友推薦
- >
山海經(jīng)
- >
上帝之肋:男人的真實旅程
- >
唐代進(jìn)士錄
- >
史學(xué)評論
- >
月亮與六便士
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
