更新时间：2020-09-24 10:13:02
封面
版权信息
前言
第1章 绪论
1.1 缺失值填补的背景与意义
1.2 缺失值填补方法的研究现状概述
1.2.1 基于统计学的缺失值填补方法
1.2.2 基于机器学习的缺失值填补方法
1.3 缺失值填补的应用
1.4 本章小结
参考文献
第2章 缺失数据的处理方法
2.1 数据缺失机制
2.1.1 完全随机缺失
2.1.2 随机缺失
2.1.3 非随机缺失
2.2 缺失数据的处理
2.2.1 不做处理
2.2.2 不完整样本删除
2.2.3 缺失值填补
2.3 缺失值填补概述
2.3.1 基本概念
2.3.2 方法分类
2.3.3 性能度量
2.4 本章小结
第3章 缺失值填补方法
3.1 基于样本间相似度的填补方法
3.1.1 均值填补法
3.1.2 热平台填补法
3.1.3 K最近邻填补法
3.1.4 基于聚类的填补方法
3.2 基于属性间相关性的填补方法
3.2.1 基于线性回归的填补方法
3.2.2 基于非线性回归的填补方法
3.2.3 基于神经网络的填补方法
3.3 基于参数估计的期望最大化填补方法
3.3.1 参数估计法
3.3.2 期望最大化填补法
3.4 针对缺失数据不确定性的填补方法
3.4.1 多重填补法
3.4.2 基于证据理论的填补方法
3.5 本章小结
第4章 面向不完整数据的神经网络填补方法
4.1 基于自组织映射网络的填补方法
4.1.1 自组织映射网络理论
4.1.2 自组织映射网络的缺失值处理
4.2 基于单层感知机的填补方法
4.2.1 单层感知机理论
4.2.2 传统单层感知机的改进
4.2.3 单层感知机填补模型
4.3 基于多层感知机的填补方法
4.3.1 多层感知机理论
4.3.2 基于多层感知机集群的填补方法
4.3.3 基于多层感知机简化集群的填补方法
4.4 基于自编码器及其变体的填补方法
4.4.1 基于自编码器的填补法
4.4.2 基于径向基函数自编码器的填补法
4.4.3 基于广义回归自编码器的填补法
4.4.4 基于对偶传播自编码器的填补法
4.4.5 基于极限学习机自编码器的填补法
4.5 面向不完整数据的属性关联型神经元建模与填补方法
4.5.1 基于去跟踪自编码器的填补法
4.5.2 基于关联增强型自编码器的填补法
4.5.3 基于多任务学习的填补方法
4.6 典型神经网络填补模型实验
4.6.1 实验设计
4.6.2 不同网络模型的填补精度
4.6.3 自编码器的自跟踪性
4.6.4 去跟踪自编码器的去跟踪性
4.7 本章小结
第5章 神经网络填补方法的优化设计
5.1 面向不完整数据的代价函数
5.2 两阶段式填补方案
5.2.1 训练阶段
5.2.2 填补阶段
5.3 融合式填补方案
5.3.1 基于缺失值变量的神经网络动态填补方案
5.3.2 缺失值变量与模型参数的动态更新
5.3.3 时间复杂度
5.4 典型神经网络填补方案实验
5.4.1 实验设计
5.4.2 不同填补方案的填补精度
5.4.3 MVPT填补方案的收敛性
5.5 本章小结
第6章 基于TS建模的非线性回归填补法
6.1 模糊数学基础
6.1.1 模糊数学与模糊集合
6.1.2 模糊数学在缺失值填补中的应用
6.2 TS模型
6.2.1 TS模型基本结构
6.2.2 TS模型研究与应用现状
6.3 基于TS模型的填补方法
6.3.1 基于TS模型的填补方法概述
6.3.2 前提参数获取
6.3.3 结论参数获取
6.3.4 缺失值填补
