4.1. Wprowadzenie Podstawowe definicje Algorytm określania wartości parametrów w regresji logistycznej...74

Wielkość: px

Rozpocząć pokaz od strony:

Download "4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74"

Agnieszka Wawrzyniak
8 lat temu
Przeglądów:

1 3 Wykaz najważniejszych skrótów...8 Przedmowa Podstawowe pojęcia data mining Wprowadzenie Podstawowe zadania eksploracji danych Główne etapy eksploracji danych Normalizacja i standaryzacja danych Problem obserwacji odstających Problem jakości danych Podstawowa terminologia i oznaczenia Metody i algorytmy optymalizacji Podstawowe pojęcia optymalizacji gradientowej Toolbox optymalizacyjny Matlaba Przykłady zastosowania optymalizacji gradientowej Optymalizacja minimaksowa Programowanie kwadratowe Metoda symulowanego wyżarzania Algorytm genetyczny Algorytmy ewolucyjne Strategie ewolucyjne Programowanie ewolucyjne Toolbox globalnej optymalizacji w Matlabie Regresja liniowa Wprowadzenie Ogólny model liniowy regresji Zastosowanie dekompozycji SVD w regresji liniowej Implementacja regresji liniowej w Matlabie Zastosowanie regresji liniowej w klasyfikacji Regresja logistyczna Wprowadzenie Podstawowe definicje Algorytm określania wartości parametrów w regresji logistycznej Wprowadzenie Model binarny regresji logistycznej Przypadek trzech klas uporządkowanych Przypadek trzech klas nieuporządkowanych... 83

Metody i algorytmy optymalizacji... 25 2.1. Podstawowe pojęcia optymalizacji gradientowej...26 2.2. Toolbox optymalizacyjny Matlaba...30 2.3. Przykłady zastosowania optymalizacji gradientowej...33 2.

2 4 Spis treści 5. Klasyfikatory Bayesa Wprowadzenie Pełny klasyfikator Bayesa Naiwny klasyfikator Bayesa Implementacja naiwnego klasyfikatora Bayesa w Matlabie Drzewa decyzyjne Wprowadzenie Struktura drzewa decyzyjnego Algorytm tworzenia drzewa decyzyjnego Implementacja modelu drzewa decyzyjnego w Matlabie Losowy las Opis metody Implementacja lasu losowego w Matlabie Sztuczne sieci neuronowe MLP i RBF Sieć perceptronu wielowarstwowego MLP Struktura sieci Algorytmy uczące sieci MLP Program komputerowy do uczenia sieci MLP Przykłady użycia sieci MLP Sieć radialna RBF Struktura sieci RBF Algorytmy uczące sieci RBF Program komputerowy do uczenia sieci radialnej Przykład zastosowania sieci RBF do aproksymacji Zdolności generalizacyjne sieci neuronowych Warunki dobrej generalizacji sieci Metody zwiększania zdolności generalizacyjnych sieci Sieć wektorów nośnych SVM Wprowadzenie Sieć liniowa SVM w zadaniu klasyfikacji Sieć nieliniowa SVM w zadaniu klasyfikacji Interpretacja mnożników Lagrange a w rozwiązaniu sieci Problem klasyfikacji przy wielu klasach Sieci SVM do zadań regresji Sieć jednoklasowa SVM Przegląd algorytmów rozwiązania zadania dualnego Program komputerowy uczenia sieci SVM Przykład zastosowania sieci SVM Porównanie sieci SVM z innymi rozwiązaniami neuronowymi

.. 106 6.5. Losowy las...111 6.5.1. Opis metody... 111 6.5.2. Implementacja lasu losowego w Matlabie... 113 7. Sztuczne sieci neuronowe MLP i RBF...117 7.1. Sieć perceptronu wielowarstwowego MLP.

3 5 9. Zespoły klasyfikatorów i predyktorów Wprowadzenie Zespół klasyfikatorów Integracja większościowa zespołu Zastosowanie dekompozycji PCA w integracji Zastosowanie naiwnej reguły Bayesa w integracji Metoda integracji Kullbacka Leiblera Zespół predyktorów Integracja poprzez uśrednianie wyników Integracja wykorzystująca PCA Integracja przy zastosowaniu ICA Integracja zespołu przy zastosowaniu sieci neuronowej Przykład użycia zespołu w prognozowaniu obciążenia w PSE Metody oceny jakości klasyfikatorów i predyktorów Miary jakości predykcji Badanie jakości rozwiązań w zadaniach klasyfikacji Miary jakości klasyfikatora Charakterystyka ROC Metody poprawy jakości klasyfikatora Metoda różnicowania kosztu błędnej klasyfikacji Metody równoważenia klas Problemy klasyfikacji wieloklasowej Obiektywna ocena zdolności generalizacyjnych systemu predykcyjnego i klasyfikacyjnego Transformacje i metody redukcji wymiaru danych Kryteria doboru rzędu zredukowanego modelu Transformacje bazujące na PCA Istota przekształcenia PCA Implementacja przekształcenia PCA w Matlabie Wykorzystanie PCA w kompresji PCA w zastosowaniu do ilustracji rozkładu danych wielowymiarowych Nieliniowe przekształcenie PCA Przekształcenie LDA Fishera Ślepa separacja sygnałów Sformułowanie problemu ślepej separacji Algorytmy bazujące na statystykach drugiego rzędu Metody bazujące na statystykach wyższego rzędu Toolbox ICALAB Rzutowanie Sammona

.. 191 9.3.2. Integracja wykorzystująca PCA... 193 9.3.3. Integracja przy zastosowaniu ICA... 193 9.3.4. Integracja zespołu przy zastosowaniu sieci neuronowej... 195 9.4. Przykład użycia zespołu w prognozowaniu obciążenia w PSE.

4 6 Spis treści Transformacja SNE Toolbox do redukcji danych w Matlabie Wybrane metody generacji i selekcji cech diagnostycznych Wprowadzenie Metody generacji cech diagnostycznych Metody selekcji cech diagnostycznych Metoda dyskryminacji Fishera Metoda korelacji danych z klasą Zastosowanie jednowejściowej sieci SVM Wykorzystanie wielowejściowej liniowej sieci SVM Zastosowanie nieliniowej funkcji jądra Selekcja cech bazująca na liniowej regresji krokowej Selekcja przy zastosowaniu algorytmu genetycznego Zastosowanie testu statystycznego Kołmogorowa Smirnowa Użycie testu Wilcoxona Manna Whitneya Selekcja przy zastosowaniu transformacji PCA Selekcja przy wykorzystaniu transformacji ICA Selekcja przy zastosowaniu transformacji LDA Metody grupowania danych Wprowadzenie Miary odległości między wektorami Miary odległości między klastrami Algorytm K-means grupowania Algorytm hierarchiczny grupowania Algorytmy rozmyte grupowania Algorytm grupowania górskiego Algorytm c-means Algorytm Gustafsona Kessela Miary jakości grupowania danych Miary jakości grupowania danych nieprzypisanych do klas Miary jakości grupowania danych przypisanych do klas Analiza zależności asocjacyjnych między danymi Podstawowe definicje problemu Generacja zbiorów najczęściej pojawiających się w transakcjach Generacja reguł asocjacyjnych Metody oceny reguł asocjacyjnych Miary symetryczne Miary niesymetryczne

.. 258 12.3.4. Wykorzystanie wielowejściowej liniowej sieci SVM... 259 12.3.5. Zastosowanie nieliniowej funkcji jądra... 260 12.3.6. Selekcja cech bazująca na liniowej regresji krokowej... 262 12.3.7.

5 7 15. Metody wizualizacji danych Wprowadzenie Narzędzia wizualizacji graficznej w Matlabie Podstawowe funkcje graficzne Zaawansowane funkcje graficzne Grafika trójwymiarowa Wykresy wektorowe Rodzina funkcji ezplot Tworzenie animacji Opisy rysunków Wizualizacja danych wielowymiarowych Przykłady zastosowań metod eksploracji danych Analiza macierzy ekspresji genów w chorobie nowotworowej Wprowadzenie Metoda eksploracji danych Analiza mikromacierzy ekspresji genów w białaczce Przykład eksploracji danych przy rozpoznaniu komórek krwiotwórczych Charakterystyka ogólna komórek krwiotwórczych Baza danych komórek w eksperymencie numerycznym Selekcja zbioru najważniejszych cech diagnostycznych Klasyfikacja końcowa komórek przy użyciu zespołu klasyfikatorów Dodatek A A.1. Ortogonalność wektorów i macierzy A.2. Normy i wskaźniki macierzowe A.3. Transformacje i dekompozycje macierzowe A.3.1. Dekompozycja LU A.3.2. Dekompozycja macierzy według wartości własnych A.3.3. Dekompozycja macierzy według wartości osobliwych (SVD) A.3.4. Dekompozycja QR A.3.5. Dekompozycja Schura A.3.6. Transformacja Hessenberga A.3.7. Transformacja Householdera A.3.8. Transformacja Givensa A.4. Zaawansowane operacje macierzowe A.4.1. Reguły inwersji macierzy złożonych A.4.2. Różniczkowanie funkcji względem wektora A.4.3. Różniczkowanie macierzy Skorowidz Literatura...385

.. 345 16. Przykłady zastosowań metod eksploracji danych...349 16.1. Analiza macierzy ekspresji genów w chorobie nowotworowej... 350 16.1.1. Wprowadzenie... 350 16.1.2. Metoda eksploracji danych.

Podobne dokumenty

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej