类别不平衡学习：理论与算法

类别不平衡学习是机器学习与数据挖掘领域的重要分支之一，其在很多应用领域中均发挥着重要作用。本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论(第1、2章)，而在上述理论的基础上，讨论了一些主流的类别不平衡学习技术及对应算法，具体包括样本采样技术(第3章)、代价敏感学习技术(第4章)、决策输出补偿技术(第5章)、集成学习技术(第6章)、主动学习技术(第7章)及一类分类技术(第8章)等。此外，也探讨了样本不平衡分布的危害预评估技术(第9章)。*后，对该领域未来的发展方向及应用前景做出了评述与展望(第10章)。 本书可作为高等院校与研究院所计算机、自动化及相关专业研究生的课外阅读书籍，也可供对机器学习及数据挖掘感兴趣的研究人员和工程技术人员阅读参考。
【推荐语】
本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论，并而在上述理论的基础上，讨论了一些主流的类别不平衡学习技术及对应算法，具体包括样本采样技术、代价敏感学习技术、决策输出补偿技术、集成学习技术、主动学习技术及一类分类技术等。此外，也探讨了类别不平衡分布的危害预评估技术。*后，对该领域未来的发展方向及应用前景作出了评述与展望。