大數(shù)據(jù)分析：預(yù)測建模與評價(jià)機(jī)制

第1章差異化空間插值模型的理論原理
1.1自適應(yīng)深度強(qiáng)化學(xué)習(xí)算法
1.1.1概述
1.1.2競爭深度強(qiáng)化學(xué)習(xí)算法原理
1.1.3狀態(tài)值重利用
1.1.4動(dòng)態(tài)模糊隸屬度因子
1.1.5自適應(yīng)深度Q網(wǎng)絡(luò)
1.1.6對比實(shí)驗(yàn)
1.2自調(diào)整反距離加權(quán)插值模型
1.2.1概述
1.2.2反距離加權(quán)法
1.2.3變異函數(shù)
1.2.4克里金法
1.2.5自調(diào)整反距離加權(quán)插值模型介紹
1.3幾種常用強(qiáng)化學(xué)習(xí)算法
1.3.1蒙特卡洛方法
1.3.2時(shí)間差分算法
1.3.3Q學(xué)習(xí)算法
1.3.4深度Q網(wǎng)絡(luò)
1.3.5雙深度Q網(wǎng)絡(luò)
1.3.6優(yōu)先經(jīng)驗(yàn)回放
1.4本章小結(jié)
第2章利用空間信息的大數(shù)據(jù)分析預(yù)測過程
2.1大數(shù)據(jù)時(shí)代的空間信息挖掘與分析
2.1.1大數(shù)據(jù)與空間大數(shù)據(jù)
2.1.2空間大數(shù)據(jù)挖掘
2.1.3空間大數(shù)據(jù)分析
2.2空間信息數(shù)據(jù)的預(yù)測
2.2.1數(shù)據(jù)預(yù)處理
2.2.2預(yù)測模型的構(gòu)建
2.2.3預(yù)測結(jié)果的對比分析
2.3本章小結(jié)
第3章協(xié)作復(fù)合神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)架構(gòu)
3.1協(xié)作復(fù)合神經(jīng)網(wǎng)絡(luò)模型概述
3.2自適應(yīng)動(dòng)態(tài)灰狼優(yōu)化算法
3.2.1灰狼優(yōu)化算法原理
3.2.2非線性余弦收斂因子
3.2.3加權(quán)位置更新
3.2.4中心擾動(dòng)準(zhǔn)則
3.2.5自適應(yīng)動(dòng)態(tài)灰狼優(yōu)化算法運(yùn)行機(jī)制
3.2.6對比實(shí)驗(yàn)
3.3小波神經(jīng)網(wǎng)絡(luò)模型
3.3.1前向傳播過程
3.3.2損失函數(shù)
3.3.3RMSProp
3.3.4Nesterov動(dòng)量
3.4協(xié)作復(fù)合神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
3.5知識擴(kuò)展
3.5.1遺傳算法
3.5.2粒子群優(yōu)化算法
3.5.3模擬退火算法
3.5.4蟻群優(yōu)化算法
3.5.5常見的反向傳播算法
3.6本章小結(jié)
 
 
第4章利用相關(guān)特征的大數(shù)據(jù)分析預(yù)測過程
4.1大數(shù)據(jù)的分析機(jī)制
4.1.1相關(guān)性分析
4.1.2訓(xùn)練集與測試集的選擇
4.1.3數(shù)據(jù)歸一化預(yù)處理
4.2可調(diào)整參數(shù)的設(shè)定機(jī)制
4.2.1隱含層節(jié)點(diǎn)數(shù)的確定
4.2.2學(xué)習(xí)率設(shè)置
4.2.3衰減系數(shù)設(shè)置
4.3預(yù)測模型的性能評價(jià)指標(biāo)
4.3.1單個(gè)模型性能評價(jià)指標(biāo)
4.3.2多模型性能對比評價(jià)方法
4.4預(yù)測性能評價(jià)結(jié)果及相關(guān)分析
4.4.1數(shù)據(jù)集1上的預(yù)測性能評價(jià)結(jié)果及相關(guān)分析
4.4.2數(shù)據(jù)集2上的預(yù)測性能評價(jià)結(jié)果及相關(guān)分析
4.5知識擴(kuò)展
4.5.1徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型
4.5.2模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型
4.6本章小結(jié)
第5章并行支持向量機(jī)的基本原理
5.1并行支持向量機(jī)概述
5.2協(xié)同鳥群算法
5.2.1鳥群算法原理
5.2.2抱團(tuán)行為
5.2.3基于適應(yīng)度差值比的位置更新方式
5.2.4接受準(zhǔn)則
5.2.5協(xié)同鳥群算法運(yùn)行機(jī)制
5.2.6對比實(shí)驗(yàn)
5.3支持向量機(jī)分類模型
5.3.1概述
5.3.2統(tǒng)計(jì)學(xué)習(xí)原理
5.3.3核函數(shù)
5.3.4分類過程
5.4并行支持向量機(jī)模型的構(gòu)建
5.5知識擴(kuò)展
5.5.1螢火蟲算法
5.5.2磷蝦群算法
5.5.3算法特性對比分析
5.6本章小結(jié)
第6章并行支持向量機(jī)下的風(fēng)險(xiǎn)分類評價(jià)研究——以土壤重金屬數(shù)據(jù)為例
6.1土壤重金屬污染概述及風(fēng)險(xiǎn)評價(jià)研究現(xiàn)狀
6.2土壤污染評價(jià)方法
6.2.1土壤地球化學(xué)基準(zhǔn)值與背景值
6.2.2國家規(guī)定的土壤污染風(fēng)險(xiǎn)管控標(biāo)準(zhǔn)
6.2.3土壤重金屬污染評價(jià)方法
6.3土壤重金屬數(shù)據(jù)的預(yù)處理
6.4大數(shù)據(jù)風(fēng)險(xiǎn)評價(jià)結(jié)果
6.4.1評價(jià)模型的參數(shù)設(shè)置
6.4.2污染風(fēng)險(xiǎn)分類評價(jià)結(jié)果
6.5評價(jià)模型的性能評價(jià)
6.6知識擴(kuò)展
6.6.1決策樹算法
6.6.2K近鄰算法
6.7本章小結(jié)
第7章集成學(xué)習(xí)與貝葉斯優(yōu)化的相關(guān)理論
7.1集成學(xué)習(xí)方法
7.1.1集成學(xué)習(xí)
7.1.2隨機(jī)森林原理
7.1.3個(gè)體學(xué)習(xí)器集成策略
7.1.4加權(quán)隨機(jī)森林算法運(yùn)行機(jī)制
7.1.5對比實(shí)驗(yàn)
7.2類別不平衡數(shù)據(jù)集的處理
7.2.1上采樣算法
7.2.2下采樣算法
7.2.3混合采樣算法
7.3貝葉斯優(yōu)化
7.3.1貝葉斯優(yōu)化調(diào)參原理
7.3.2概率代理模型
7.3.3采集函數(shù)
7.4知識擴(kuò)展
7.4.1Stacking算法
7.4.2邏輯回歸分類
7.5本章小結(jié)
第8章結(jié)合貝葉斯優(yōu)化與集成學(xué)習(xí)的大數(shù)據(jù)評價(jià)研究——以土壤重金屬
數(shù)據(jù)為例
8.1污染評價(jià)方法及目標(biāo)值標(biāo)記
8.2數(shù)據(jù)重采樣與預(yù)處理
8.2.1數(shù)據(jù)重采樣
8.2.2預(yù)處理
8.3集成學(xué)習(xí)下的土壤污染風(fēng)險(xiǎn)評價(jià)結(jié)果
8.3.1算法超參數(shù)設(shè)置
8.3.2蔡甸區(qū)風(fēng)險(xiǎn)評價(jià)實(shí)驗(yàn)
8.3.3江夏區(qū)風(fēng)險(xiǎn)評價(jià)實(shí)驗(yàn)
8.3.4武漢市整體風(fēng)險(xiǎn)評價(jià)實(shí)驗(yàn)
8.3.5應(yīng)用貝葉斯優(yōu)化調(diào)參
8.4知識擴(kuò)展
8.4.1貝葉斯分類算法
8.4.2梯度提升樹算法
8.5本章小結(jié)
參考文獻(xiàn)