本书主要介绍了受构造性神经网络启发的一类构造性的不平衡学习理论及方法。对不平衡学习相关的概念以及构造性覆盖算法进行了简要介绍，在此基础上重点介绍了构造性不平衡学习的相关理论和方法。全书共13章，内容包括不平衡学习的相关理论和方法、构造性覆盖算法、基于构造性覆盖开展的多个视角的构造性不平衡学习的系列相关算法、非构造性不平衡学习的一些相关算法，对不平衡数据学习的研究挑战和未来研究方向。本书可作为高等院校和科研院所计算机、自动化等相关专业的研究生的阅读书籍，也可供对机器学习和数据挖掘相关领域感兴趣的研究人员及工程技术人员阅读参考。

前言
第1章 不概述
1.1 引言
1.2 不的含义
1.2.1 问题定义
1.2.2 应用领域
1.3 不方法概述
1.3.1 数据层面方法
1.3.2 算法层面方法
1.4 模型评估指标
1.4.1 正确率
1.4.2 查准率
1.4.3 查全率
1.4.4 F度量值
1.4.5 几何平均度量值
1.4.6 接受者操作特曲线
1.4.7 曲线积
第2章 构造覆盖算法
2.1 构造覆盖分类模型
2.1.1 模型学
2.1.2 预测
2.2 构造覆盖集成分类模型
2.2.1 模型不确定分析
2.2.2 基于投票的集成模型
2.2.3 模型能分析
第3章 构造SMOTE过采样方法
3.1 问题描述
3.2 三支决策模型
3.3 构造SMOTE过采样方法
3.3.1 构造SMOTE的三支决策模型
3.3.2 构造SMOTE过采样集成模型
3.4 模型分析与能评估
3.4.1 模型评估基本设置
3.4.2 参数敏感分析
3.4.3 模型能评估
第4章 构造SMOTE混合采样方法
4.1 问题描述
4.2 构造SMOTE混合采样方法
4.2.1 SMOTE及其算法分析
4.2.2 CCA清洗策略
4.2.3 成对清洗策略
4.2.4 SMOTE+CCA算法
4.3 模型分析与能评估
4.3.1 模型评估基本设置
4.3.2 数据清洗结果分析
4.3.3 模型能评估
第5章 构造欠采样集成方法
5.1 问题描述
5.2 SDUS算法
5.2.1 空间邻域挖掘
5.2.2 样本选择
5.2.3 欠采样集成框架
5.3 模型复杂度分析
5.3.1 邻域挖掘复杂度分析
5.3.2 欠采样复杂度分析
5.4 模型分析与能评估
5.4.1 模型评估基本设置
5.4.2 参数敏感分析
5.4.3 模型能评估
第6章 构造集成过采样方法
6.1 问题描述
6.2 NA-SMOTE算法
6.2.1 少数类邻域挖掘
6.2.2 少数类邻域融合
6.2.3 噪声样本检测
6.3 模型分析与性能评估
6.3.1 模型评估基本设置
6.3.2 参数敏感性分析
6.3.3 模型性能评估
第7章 构造性集成欠采样方法
7.1 问题描述
7.2 WUS和WEUS-V算法
7.2.1 多数类邻域挖掘
7.2.2 基于投票的领域挖掘
7.2.3 算法原理
7.3 模型分析与性能评估
7.3.1 模型评估基本设置
7.3.2 参数敏感性分析
7.3.3 模型性能评估
第8章 构造性自适应三支过采样方法
8.1 问题描述
8.2 交叉验证的构造性覆盖
8.3 构造性自适应三支过采样方法
8.3.1 自适应的三支域构建
8.3.2 局部信息约束过采样
8.3.3 构造性自适应三支过采样
8.4 模型分析与性能评估
8.4.1 模型评估基本设置
8.4.2 参数敏感性分析
8.4.3 模型性能评估
第9章 构造性过采样的邻域感知优化方法
9.1 问题描述
9.2 ANO算法
9.2.1 少数类邻域探测
9.2.2 粒子群算法
9.2.3 邻域敏感建模
9.2.4 模型技术实现
9.3 模型分析与性能评估
9.3.1 模型评估基本设置
9.3.2 模型性能评估
第10章 非构造性不平衡学习——采样优化方法
10.1 问题描述
10.2 类重叠不平衡进化混合采样方法
10.2.1 探测重叠区域
10.2.2 进化欠采样
10.2.3 随机过采样
10.2.4 复杂度分析
10.3 模型分析与性能评估
10.3.1 模型评估基本设置
10.3.2 参数敏感性分析
10.3.3 重叠样本消除实验
10.3.4 EHSO中ROS的有效性验证
10.3.5 模型性能评估
第11章 非构造性不平衡学习——基于密度的采样方法
11.1 问题描述
11.2 基于密度的不平衡过采样方法(LDAS)
11.2.1 少数类局部密度信息挖掘
11.2.2 重叠数据的识别和清洗
11.2.3 少数类自适应加权过采样
11.2.4 模型复杂度分析
11.2.5 模型分析与性能评估
11.3 基于密度的不平衡欠采样方法(LDUS)
11.3.1 融合局部密度的改进度量方法
11.3.2 重叠或噪声样本的过滤
11.3.3 加权集成分类
11.3.4 模型复杂度分析
11.3.5 模型分析与性能评估
第12章 非构造性不平衡学习——算法层面方法
12.1 相关理论与知识
12.1.1 KAOG和MKAOG构图方法
12.1.2 基于引力的分类方法
12.2 自适应的不平衡k近邻图构建方法
12.2.1 IMKOG构建方法
12.3 基于拓扑结构信息的引力分类方法
12.3.1 基于IMKOG的引力分类算法
12.4 IMKoG模型复杂度分析
12.5 模型分析与性能评估
12.5.1 自适应的不平衡足近邻图构建方法
12.5.2 基于IMKoG的引力分类算法
12.5.3 几种近邻图分类结果的可视化比较
第13章 不平衡学习研究挑战与展望
13.1 不平衡数据的二分类
13.1.1 类结构分析
13.1.2 极端类不平衡
13.1.3 分类器输出调整
13.1.4 集成学习
13.2 不平衡数据的多分类
13.2.1