面向大数据的高维数据挖掘技术 内容简介

本书从高维大数据的特性出发, 指出了高维大数据的挖掘过程, 介绍了大数据维数约简的目的和分类, 对大数据特征选择和提取的线性和非线性方法进行了介绍并研究了相关的改进方法, 给出了结合图的降维方法和稀疏大数据的维数约简方法。

面向大数据的高维数据挖掘技术 本书特色

本书从高维大数据的特性出发，指出了高维大数据的挖掘过程，介绍了大数据维数约简的目的和分类，对大数据特征选择和提取的线性和非线性方法进行了介绍并研究了相关的改进方法，给出了结合图的降维方法和稀疏大数据的维数约简方法。本书可供从事大数据挖掘和商务智能研究的高校教师、研究生、科研院所的科研人员及有关工程技术人员使用。

面向大数据的高维数据挖掘技术 目录

第1章高维大数据 11.1大数据介绍 11.1.1大数据的产生背景 11.1.2大数据的重要性 11.1.3大数据的定义和特征 21.1.4大数据的构成 51.1.5大数据的机遇和挑战 61.1.6大数据应用的发展方向 91.2大数据分析挖掘技术 101.3大数据高维特征处理 111.3.1大数据分析挖掘过程 111.3.2大数据的维数 13参考文献 14第2章大数据的维数约简 152.1大数据维数约简的目的 152.2维数约简的有关定义及分类 152.2.1维数约简的有关定义 152.2.2维数约简分类 17参考文献 17第3章大数据的特征选择 193.1特征选择的数学描述及其优势 193.2特征选择基本框架 193.2.1子集生成 213.2.2评价测度 243.2.3停止条件 333.2.4结果验证 343.3特征选择算法分类 343.3.1按样本是否标记分类 343.3.2按与学习算法的结合方式分类 343.3.3Filter方法 363.3.4Wrapper方法 393.3.5Embeded方法 403.3.6Hybrid方法 413.4特征选择的稳定性 413.4.1特征选择方法的稳定性 413.4.2稳定的特征选择方法 423.4.3特征选择方法的稳定性评价准则 44参考文献 46第4章大数据特征提取 504.1特征提取的概念 504.2特征提取的分类 504.3特征选择与特征提取方法的比较 514.4线性特征提取 514.4.1线性特征提取的思想 514.4.2主成分分析 524.4.3线性判别分析 584.4.4独立成分分析 634.4.5*大间距准则 74参考文献 78第5章非线性特征提取 805.1核方法 805.1.1核方法原理 805.1.2核主成分分析 825.1.3核线性判别分析 855.1.4核局部线性判别分析 875.2流形学习方法 885.2.1流形学习方法的概念 885.2.2流形学习方法的分类 895.2.3等距映射算法 905.2.4局部线性嵌入算法 915.2.5拉普拉斯特征映射算法 925.2.6海赛局部线性嵌入算法 945.2.7局部切空间排列算法 945.2.8流形学习方法在应用中遇到的主要问题 95参考文献 96第6章图方法 976.1图的基本概念 976.2相似性计算 1006.3图嵌入框架 1006.4图嵌入的线性扩展 1016.4.1主成分分析 1026.4.2线性判别分析 1036.4.3边界费舍尔分析 1056.5图嵌入的核化扩展 1066.6图嵌入的张量扩展 1076.7图嵌入面临的挑战 109参考文献 110第7章稀疏大数据的维数约简 1127.1稀疏矩阵的应用及概念 1127.2稀疏表示理论及重构 1127.2.1范数稀疏解 1127.2.2稀疏表示理论概述 1147.2.3稀疏重构 1147.2.4基于稀疏表示的算法流程 1147.3线性回归模型 1157.3.1*小二乘法 1157.3.2岭回归 1157.3.3套索回归 1167.4稀疏保持映射 1187.4.1稀疏保持映射原理 1187.4.2稀疏保持映射算法流程 1207.4.3SPP优点 1207.5基于Lasso的稀疏主成分 1217.6稀疏判别分析 125参考文献 125