{"product_id":"稀疏支持向量回归机的构建与应用","title":"稀疏支持向量回归机的构建与应用","description":"\u003cbr\u003e\u003cstrong\u003e内容简介\u003c\/strong\u003e\u003cbr\u003e大数据对回归模型提出以下几个方面的要求： (1)稀疏性，“高维”数据的特征选择问题，选取重要特征，舍弃“冗余”或者信息含量少的特征，是回归算法面临的新挑战；(2)鲁棒性，对于含有异常点的回归问题，决策函数对异常点具有鲁棒性；(3)在线性，对于数据流问题，决策函数的回归系数应具有在线性，能够反映在线数据流的实时变化效应；(4) 异质性，高维数据具有后尾分布的异质性，如何使稀疏技术选择的特征能反映数据的整体分布特征，提取数据的异质信息。针对大数据的这些特征，本书在已有支持向量回归模型的研究基础上，将从以下几个方面展开研究：(1)融入L1模或Lp模稀疏正则项，构建稀疏支持向量回归模型，其能够从高维数据中选取相关的主要特征，舍弃无关的冗余特征，完成信息价值“提纯”；(2)设计具有鲁棒性的损失函数，使其决策函数不易受异常点的影响，即决策函数不受异常点的干扰，具有一定的稳健性； (3)采用增量算法，使其决策函数的回归系数具有动态性，反应数据流的实时性，克服非在线算法决策函数回归系数的固定不变性；(4)引入统计学的分位数回归思想，利用分位数精确地描述自变量对于因变量条件分布的整体影响，全面反映数据的分布特征。大数据对回归模型提出以下几个方面的要求： (1)稀疏性，“高维”数据的特征选择问题，选取重要特征，舍弃“冗余”或者信息含量少的特征，是回归算法面临的新挑战；(2)鲁棒性，对于含有异常点的回归问题，决策函数对异常点具有鲁棒性；(3)在线性，对于数据流问题，决策函数的回归系数应具有在线性，能够反映在线数据流的实时变化效应；(4) 异质性，高维数据具有后尾分布的异质性，如何使稀疏技术选择的特征能反映数据的整体分布特征，提取数据的异质信息。\u003cbr\u003e针对大数据的这些特征，本书在已有支持向量回归模型的研究基础上，将从以下几个方面展开研究：(1)融入L1模或Lp模稀疏正则项，构建稀疏支持向量回归模型，其能够从高维数据中选取相关的主要特征，舍弃无关的冗余特征，完成信息价值“提纯”；(2)设计具有鲁棒性的损失函数，使其决策函数不易受异常点的影响，即决策函数不受异常点的干扰，具有一定的稳健性； (3)采用增量算法，\u003cbr\u003e使其决策函数的回归系数具有动态性，反应数据流的实时性，克服非在线算法决策函数回归系数的固定不变性；(4)引入统计学的分位数回归思想，利用分位数精确地描述自变量对于因变量条件分布的整体影响，全面反映数据的分布特征。\u003cbr\u003e面对大数据，指数构建面临前所未有的挑战：(1) 如何排除噪声和异常点现象带来的干扰，是指数构建面临的一大挑战；(2)如何舍弃信息价值低的冗余指标，保留信息价值高的代表性指标，降低数据维度，是指数构建面临的第二大挑战；(3)如何满足在线数据的高频性，构建实时动态指数凸显在线信息，是指数构建面临的第三大挑战。针对指数构建面临的这些挑战，本书构建的各种支持向量回归模型恰能解决这些问题：首先处理数据的缺失等现象，排除噪声和异常点带来的干扰，采用稀疏支持向量回归模型，解决大数据背景下指标的选择问题，为指数构造提供高质量的“原材料”；其次针对数据高频在线的特点，采用在线支持向量回归模型，确定代表性指标的动态权重，凸显数据的实时动态效应。相信本书能为动态指数的构建提供新方法和新思路，开拓数学、统计学与机器学习的交叉研究，为大数据统计建模的发展贡献微薄之力。显示全部信息\u003cbr\u003e\u003cstrong\u003e作者简介\u003c\/strong\u003e\u003cbr\u003e叶娅芬，女，副教授，统计学博士，浙江大学博士后，悉尼大学访问学者，主要从事数据挖掘的回归模型研究。曾主持国家自然科学青年基金1项，主持省部级基金5项，主要参与国家自然科学青年基金3项，主要参与省部级基金4项。近5年来，以第一作者发表SCI(JCR:Q1) 期刊论文4篇，SSCI期刊论文3篇，主要授课包括数值计算、数理统计学、数据挖掘和多元统计分析等。\u003cbr\u003e\u003cstrong\u003e目录\u003c\/strong\u003e\u003cbr\u003e第一篇 开场篇 第一章 绪论 第一节 高维数据的稀疏性 第二节 稀疏支持向量回归机的研究现状第二篇 技术篇 第二章 支持向量机 第一节 线性模型 第二节 统计学习理论 第三节 支持向量回归机的拓展：学习速度 第四节 支持向量回归机的拓展：稳健学习 第五节 支持向量回归机的拓展：在线学习 第三章 稀疏支持向量回归机 第一节 稀疏支持向量回归机 第二节 L1-模最小二乘支持向量回归机","brand":"当当","offers":[{"title":"Default Title","offer_id":46348963971230,"sku":"9787521845990","price":23.46,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0728\/0158\/3262\/files\/29676271-1_b_1705293047.jpg?v=1767026894","url":"https:\/\/timesbook.com\/zh\/products\/%e7%a8%80%e7%96%8f%e6%94%af%e6%8c%81%e5%90%91%e9%87%8f%e5%9b%9e%e5%bd%92%e6%9c%ba%e7%9a%84%e6%9e%84%e5%bb%ba%e4%b8%8e%e5%ba%94%e7%94%a8","provider":"Timesbook Inc","version":"1.0","type":"link"}