思维导图备注

地球科学中的大数据分析与挖掘算法手册
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

7.5 基于密度的异常检测算法

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2025-03-24 21:55:08
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 封面
  • 内容提要
  • 《国之重器出版工程》编辑委员会
  • 《学术中国·大数据》丛书编辑委员会
  • 《地球科学中的大数据分析与挖掘算法手册》编写组
  • 序
  • 序二
  • 前言
  • 第1章 关联规则
  • 1.1 Apriori算法
  • 1.1.1 算法概要
  • 1.1.2 算法原理
  • 1.1.3 实例说明
  • 1.1.4 算法优缺点
  • 1.1.5 优化改进
  • 1.1.6 大数据适应度分析
  • 1.1.7 地球科学应用案例
  • 1.2 FP-growth算法
  • 1.2.1 算法概要
  • 1.2.2 算法原理
  • 1.2.3 实例说明
  • 1.2.4 优化改进
  • 1.2.5 大数据适应度分析
  • 1.2.6 地球科学应用案例
  • 参考文献
  • 第2章 分类
  • 2.1 决策树算法
  • 2.1.1 算法概要
  • 2.1.2 算法原理
  • 2.1.3 算法优缺点
  • 2.1.4 优化改进
  • 2.1.5 决策树衍生算法
  • 2.1.6 大数据适应度分析
  • 2.1.7 地球科学应用案例
  • 2.2 贝叶斯分类算法
  • 2.2.1 算法概要
  • 2.2.2 算法原理
  • 2.2.3 实例说明
  • 2.2.4 算法优缺点
  • 2.2.5 优化改进
  • 2.2.6 大数据适应度分析
  • 2.2.7 地球科学应用案例
  • 2.3 神经网络分类算法
  • 2.3.1 算法概要
  • 2.3.2 算法原理
  • 2.3.3 算法优缺点
  • 2.3.4 优化改进
  • 2.3.5 大数据适应度分析
  • 2.3.6 地球科学应用案例
  • 2.4 粗糙集分类
  • 2.4.1 算法概要
  • 2.4.2 算法原理
  • 2.4.3 实例说明
  • 2.4.4 算法优缺点
  • 2.4.5 优化改进
  • 2.4.6 大数据适应度分析
  • 2.4.7 地球科学应用案例
  • 2.5 支持向量机
  • 2.5.1 算法概要
  • 2.5.2 算法原理
  • 2.5.3 实例说明
  • 2.5.4 算法优缺点
  • 2.5.5 优化改进
  • 2.5.6 大数据适应度分析
  • 2.5.7 地球科学应用案例
  • 2.6 K-最近邻算法
  • 2.6.1 算法概要
  • 2.6.2 算法原理
  • 2.6.3 算法优缺点
  • 2.6.4 优化改进
  • 2.6.5 大数据适应度分析
  • 2.6.6 地球科学应用案例
  • 2.7 Bagging算法
  • 2.7.1 算法概要
  • 2.7.2 算法原理
  • 2.7.3 实例说明
  • 2.7.4 优化改进
  • 2.7.5 大数据适应度分析
  • 2.7.6 地球科学应用案例
  • 2.8 AdaBoost算法
  • 2.8.1 算法概要
  • 2.8.2 算法原理
  • 2.8.3 训练过程
  • 2.8.4 同类算法
  • 2.8.5 大数据适应度分析
  • 2.8.6 地球科学应用案例
  • 参考文献
  • 第3章 回归
  • 3.1 线性回归
  • 3.1.1 算法概要
  • 3.1.2 算法原理
  • 3.1.3 实例说明
  • 3.1.4 算法优缺点
  • 3.1.5 优化改进
  • 3.1.6 大数据适应度分析
  • 3.1.7 地球科学应用案例
  • 3.2 逻辑回归
  • 3.2.1 算法概要
  • 3.2.2 算法原理
  • 3.2.3 算法实现
  • 3.2.4 SoftMax算法
  • 3.2.5 大数据适应度分析
  • 3.2.6 地球科学应用案例
  • 参考文献
  • 第4章 聚类
  • 4.1 K-means算法
  • 4.1.1 算法概要
  • 4.1.2 算法原理
  • 4.1.3 实例说明
  • 4.1.4 算法优缺点
  • 4.1.5 优化改进
  • 4.1.6 大数据适应度分析
  • 4.1.7 地球科学应用案例
  • 4.2 K-medoids算法
  • 4.2.1 算法概要
  • 4.2.2 算法原理
  • 4.2.3 实例说明
  • 4.2.4 算法优缺点
  • 4.2.5 优化改进
  • 4.2.6 大数据适应度分析
  • 4.2.7 地球科学应用案例
  • 4.3 层次聚类算法
  • 4.3.1 算法概要
  • 4.3.2 距离度量
  • 4.3.3 算法流程
  • 4.3.4 改进优化
  • 4.3.5 大数据适应度分析
  • 4.3.6 地球科学应用案例
  • 4.4 基于密度的聚类算法
  • 4.4.1 算法概要
  • 4.4.2 算法原理
  • 4.4.3 实例说明
  • 4.4.4 算法优缺点
  • 4.4.5 优化改进
  • 4.4.6 大数据适应度分析
  • 4.4.7 地球科学应用案例
  • 4.5 基于网格的聚类算法
  • 4.5.1 算法概要
  • 4.5.2 STING
  • 4.5.3 CLIQUE
  • 4.5.4 优化改进
  • 4.5.5 大数据适应度分析
  • 4.5.6 地球科学应用案例
  • 参考文献
  • 第5章 序列模式挖掘
  • 5.1 GSP算法
  • 5.1.1 算法概要
  • 5.1.2 算法原理
  • 5.1.3 实例说明
  • 5.1.4 算法优缺点
  • 5.1.5 GSP衍生算法
  • 5.1.6 大数据适应度分析
  • 5.1.7 地球科学应用案例
  • 5.2 SPADE算法
  • 5.2.1 算法概要
  • 5.2.2 算法原理
  • 5.2.3 实例说明
  • 5.2.4 算法优缺点
  • 5.2.5 优化改进
  • 5.2.6 SPADE衍生算法
  • 5.2.7 大数据适应度分析
  • 5.2.8 地球科学应用案例
  • 参考文献
  • 第6章 深度学习
  • 6.1 深度信念网
  • 6.1.1 算法概要
  • 6.1.2 算法原理
  • 6.1.3 优化改进
  • 6.1.4 大数据适应度分析
  • 6.1.5 地球科学应用案例
  • 6.2 卷积神经网络
  • 6.2.1 算法概要
  • 6.2.2 算法原理
  • 6.2.3 实例说明
  • 6.2.4 模型演化
  • 6.2.5 优化改进
  • 6.2.6 大数据适应度分析
  • 6.2.7 地球科学应用案例
  • 6.3 自动编码器算法
  • 6.3.1 算法概要
  • 6.3.2 算法原理
  • 6.3.3 算法实现
  • 6.3.4 衍生算法
  • 6.3.5 优化改进
  • 6.3.6 大数据适应度分析
  • 6.3.7 地球科学应用案例
  • 参考文献
  • 第7章 异常检测
  • 7.1 概述
  • 7.2 基于统计的异常检测算法
  • 7.2.1 算法原理
  • 7.2.2 典型算法
  • 7.3 基于距离的方法
  • 7.3.1 算法原理
  • 7.3.2 典型算法
  • 7.4 基于深度的异常检测方法
  • 7.4.1 算法原理
  • 7.4.2 典型算法
  • 7.5 基于密度的异常检测算法
  • 7.5.1 算法原理
  • 7.5.2 典型算法
  • 7.6 基于偏离的异常检测算法
  • 7.6.1 算法原理
  • 7.6.2 典型算法
  • 7.7 基于聚类的异常检测算法
  • 7.7.1 算法原理
  • 7.7.2 典型算法
  • 7.8 大数据适应度分析
  • 7.9 地球科学应用案例
  • 参考文献
  • 附录A 软件、源码及开发包
  • 关于本书
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《地球科学中的大数据分析与挖掘算法手册》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度