近年来，社会组织行为分析的研究主要集中在构建预测模型以预测组织可能的行为上。数据挖掘方法，特别是分类方法，近年来成为组织行为预测建模的主要方法。苏鹏著的《社会计算中的组织行为模式挖掘》比较分析了主要的分类方法所建立的组织行为预测模型的性能，为不同情形下分类方法的恰当选择提供了依据。组织行为数据普遍存在类不平衡和误分类代价不一致的问题，这导致标准分类器所构建的组织行为预测模型性能较差。为此，在期望误分类代价这一指标下，本书研究了四种典型代价敏感学习方法基于不同标准分类器所构建的组织行为预测模型的性能，为不同情形下代价敏感学习方法的恰当选择提供了依据。另外，本书提出了一个新的适用于组织行为模式挖掘的代价敏感学习算法。最后，针对组织行为模式挖掘误分类代价易变且不易确定等特点，本书提出了基于代价曲线的个性化解决方案。
本书适合行为分析、数据挖掘、决策支持、商务智能等领域的学者、教师、研究生、本科生阅读使用，也可供承担管理社会组织职能的政府相关部门及事业单位的决策者与工作人员学习参考。
苏鹏，男，1975年2月生，汉族，博士，现为大理大学数学与计算机学院副教授；研究方向为数据挖掘、大数据与行为建模；近年来在Decision Support Systems等国际领先的学术刊物发表论文多篇；现为国际自动控制联合会（IFAC）经济与商务系统技术委员会（TC9.1）委员；曾担任IEEE ISI等多个国际学术会议的程序委员会委员。
|
