作为一类先进的机器学习方法，多分类器集成技术将多个单体学习器按照一定的规则集成起来，充分利用个体学习器之间的互补性，以取得更好的泛化能力和健壮性。 全书分为三部分，第一部分主要介绍集成学习的相关背景，即关于分类器的相关基础理论。第二部分主要介绍集成学习方法的核心知识，诸如多分类器集成的框架、集成规则和性能评估等理论；Boosting、Bagging、Stacking和随机森林（Random Forests）等经典算法；除此之外，还介绍典型的动态集成方法以及集成聚类算法相关基本概念。第三部分介绍集成学习方法的扩展议题，给出集成学习在半监督学习、主动学习和类别不平衡学习等领域的应用。 本书的主要受众是具有一定机器学习和模式识别基础知识的读者，也供机器学习和模式识别爱好者阅读参考。

第1章 分类器理论基础
1．1 数据挖掘
1．2 学习任务的种类
1．3 分类的概念
1．4 基于统计的分类技术
1．5 基于决策树的分类方法
1．6 基于神经网络的方法
1．7 分类器性能评估

第2章 多分类器集成技术概述
2．1 集成学习的基本概念
2．2 集成学习的作用
2．3 多分类器集成有效性的原因
2．4 多分类器集成框架
2．5 基分类器的集成规则
2．6 多分类器性能评估

第3章 多分类器集成技术
3．1 Boosting算法
3．2 Bagging算法
3．3 两种经典集成方法中样本加权分析
3．4 Stacking算法
3．5 随机子空间方法
3．6 随机森林集成

第4章 多分类器动态集威算法
4．1 多分类器动态集成框架
4．2 基于KNN准则的动态集成
4．3 基于聚类准则的动态集成
4．4 基于不同数据集的动态集成
4．5 多分类器动态集成算法分析

第5章 基于分类器选择的集成学习算法
5．1 选择集成的提出
5．2 选择性集成的理论基础
5．3 选择性集成算法GASEN
5．4 选择性集成的不足和发展方向
5．5 集成剪枝

第6章 聚类集成
6．1 聚类
6．2 聚类集成
6．3 经典聚类集成算法介绍

第7章 集成学习扩展议题
7．1 半监督学习
7．2 主动学习
7．3 类别不平衡学习
7．4 关于集成学习的一点启示