内容简介
本书以公理模糊集理论
为基础，对监督学习、半监督学习以及不平衡数据分析问题进行了研究，主要内容包括：
针对监督学习问题，本书基于公理模糊集理论和熵的概念设计分类器，该分类器具有良好的分类性能和可解释性，能够适应更多人性化的识别机制。由于现有的基于公理模糊集理论的分类器在获取最优语义描述方面存在不足，因此本书基于公理模糊集理论在香农熵的概念上进行扩展，提出了一种新的度量方式，称之为基于公理模糊集的语义熵，它可以用于评价每个类别语义描述的区分能力。此外，本书还使用评价指标来精简描述，以提供良好的分类性能。与其他基于公理模糊集理论的分类器相比，该方法不是简单地使用阈值来筛选类别描述，而是使用语2 基于公理模糊集理论的语义学习方法义熵来度量数据的语义信息，从而得到每一类数据的最优语义描述。为了说明分类器的性能，本书将所提出的方法与其他性能较好的分类器在多个数据集上进行对比分析。实验结果表明，该方法可以给出每个类别的语义描述，其性能相较于其他方法具有一定的优势。
章节目录
1 导 论／1
1.1 选题背景与意义／1
1.2 相关工作研究现状／4
1.3 主要研究内容／39
2 基于公理模糊集和语义熵的语义学习／41
2.1 引 言／41
2.2 基于AFS 理论的语义熵／42
2.3 基于语义熵的可解释分类器／45
2.4 实验结果及分析／53
2.5 小 结／69
3 基于公理模糊集的语义半监督学习／70
3.1 引 言／70
3.2 AFS 理论和支持向量机／72
3.3 语义半监督学习／73
3.4 实验结果及分析／83
3.5 小 结／97
4 基于公理模糊集的不平衡数据语义学习／98
4.1 引 言／98
4.2 实验设计背景／100
4.3 SMOTE 算法与AFS 决策树的融合训练／102
4.4 实验结果及分析／106
4.5 小 结／113
5 结论与展望／114
5.1 结 论／114
5.2 创新点／116
5.3 展 望／117
参考文献／118
索 引／141
| 会员指南
