机读格式显示(MARC)

• 000 01782nam 2200313 450

• 001 0000561750

• 005 20220919134800.0

• 010 __ |a 978-7-5096-7934-0 |d CNY68.00

• 100 __ |a 20210925d2021 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 大数据分析基础 |A da shu ju fen xi ji chu |e 数据降维方法研究 |d = The bass of big data analysis |e research on data dimensionality reduction methods |f 郑月锋著 |z eng

• 210 __ |a 北京 |c 经济管理出版社 |d 2021.06

• 215 __ |a 139页 |c 图 |d 24cm

• 225 2_ |a 大数据与互联网理论与实践丛书 |A da shu ju yu hu lian wang li lun yu shi jian cong shu

• 300 __ |a 吉林师范大学学术著作出版基金、吉林省教育厅科学技术研项目、吉师博 (2019019) 联合资助

• 314 __ |a 郑月锋, 男, 1978年12月生, 工学博士, 现任吉林师范大学计算机学院副教授。

• 320 __ |a 有书目 (第129-139页)

• 330 __ |a 本书通过对现有降维方法的梳理, 提出三个混合式特征选择算法, 分别是最大斯皮尔曼最小协方差布谷鸟算法 (MSMCCS) 、K值最大相关最小相冗改进的灰狼优化算法 (KMR2IGWO) 和最大皮尔森最大距离改进的鲸鱼优化算法 (MPMDLWOA) 。实验结果表明, MSMCCS算法有很快的收敛速度并且分类准确率明显好于其他算法。KMR2IGWO算法在14个数据集上降维的效果非常明显, 降维效果达到原来的0。4%-0。04%。在大部分数据集上MPMDIWOA算法的分类准确率高于其他算法。因此, 提出的三个算法在有较高分类准确率的前提下, 取得了理想的降维效果, 为进行大数据分析奠定了基础。

• 410 _0 |1 2001 |a 大数据与互联网理论与实践丛书

• 510 1_ |a Bass of big data analysis |e research on data dimensionality reduction methods |z eng

• 517 1_ |a 数据降维方法研究 |A shu ju jiang wei fang fa yan jiu

• 606 0_ |a 数据处理 |A shu ju chu li |x 研究

• 690 __ |a TP274 |v 5

• 701 _0 |a 郑月锋, |A zheng yue feng |f 1978- |4 著

• 801 _0 |a CN |b 安徽时代 |c 20210925

• 905 __ |a LIB |d TP274/498