《模式分类的集成方法》主要讨论了集成学习的概念、构成、作用及其新研究成果，重点介绍了新的、高效且实用的集成学习算法，给出了分类识别的大量应用实例，总结了作者近年来在模式识别中的理论和应用研究成果。除了介绍许多重要经典的内容以外，书中还包括了近十几年来刚刚发展起来的并被实践证明有用的新技术、新理论。并将这些新技术应用于模式识别当中，同时提供这些新技术的实现方法和JAVA程序源代码及相应的实验数据，对于读者的自学和算法验证非常有利。针对其中具有代表性的几种算法，对其工作机制进行深入研究，并利用大量的数值试验对算法的性能进行多方面的考查。
　　《模式分类的集成方法》主要内容包括：模式分类概述；集成学习的基本理论；分类器组合；经典的集成方法；集成分类的各子模块方法；集成多样性；集成选择；集成算法的评价。这些探讨不仅对集成学习领域的研究具有非常重要的理论意义，而且也具有很强的实用参考价值。

第1章 模式分类概述
1．1 模式分类
1．2 诱导算法
1．3 规则推导
1．4 决策树
1．5 贝叶斯方法
1．5．1 概述
1．5．2 朴素贝叶斯方法
1．5．3 其他贝叶斯方法
1．6 其他诱导方法
1．6．1 神经网络
1．6．2 遗传算法
1．6．3 基于示例的学习
1．6．4 支持向量机

第2章 集成学习概述
2．1 回到起源
2．2 群体的智慧
2．3 Bagging算法
2．4 Boosting算法
2．5 AdaBoost算法
2．6 没有免费的午餐理论和集成学习
2．7 偏差解构和集成学习
2．8 Occam剃刀和集成学习
2．9 分类器相关性
2．9．1 相关性方法
2．9．2 独立方法
2．10 用于复杂分类任务的集成方法
2．10．1 代价敏感的分类
2．10．2 用于概念漂移学习的集成
2．10．3 拒绝驱动分类

第3章 集成分类
3．1 融合方法
3．1．1 加权方法
3．1．2 多数投票法
3．1．3 性能加权法
3．1．4 分布求和法
3．1．5 贝叶斯联合法
3．1．6 Dempste-Shafer推理法
3．1．7 bgging方法
3．1．8 朴素贝叶斯方法
3．1．9 熵加权法
3．1．10 基于密度的加权方法
3．1．11 DEA加权法
3．1．12 对数评价池法
3．1．13 顺序统计法
3．2 选择性分类
3．2．1 划分示例空间
3．3 专家混合与元学习
3．3．1 Stacking算法
3．3．2 仲裁树
3．3．3 组合树
3．3．4 分级法
3．3．5 门网络法

第4章 集成的多样性
4．1 概述
4．2 操控诱导器
4．2．1 操控诱导器的参数
4．2．2 假设空间的初始点
4．2．3 假设空间的遍历
4．3 操控训练样本
4．3．1 重采样
4．3．2 样本创建
4．3．3 样本划分
4．4 操控目标属性表示
4．4．1 类标转换
4．5 划分搜索空间
4．5．1 划分和竞争法
4．5．2 基于特征子集的集成方法
4．6 多类型诱导器
4．7 多样性度量

第5章 集成选择
5．1 集成选择
5．2 集成规模的预选取
5．3 训练阶段集成规模的选择
5．4 删减——集成规模的后选择
5．4．1 基于排序的方法
5．4．2 基于搜索的方法
5．4．3 基于聚类的方法
5．4．4 删减时机

第6章 误差纠错输出编码
6．1 多类问题的编码矩阵分解
6．2 类型I：给定编码矩阵的集成训练方法
6．2．1 纠错输出编码
6．2．2 编码矩阵框架
6．2．3 编码矩阵的设计
6．2．4 正交排列（OA）
6．2．5 Hadamard矩阵
6．2．6 概率纠错输出编码
6．2．7 其他ECOC策略
6．3 类型II：多类问题的自适应编码矩阵

第7章 分类器集成的评价
7．1 泛化误差
7．1．1 泛化误差的理论估计
7．1．2 泛化误差的实验估计
7．1．3 精度度量的替代者
7．1．4 F-度量
7．1．5 混淆矩阵
7．1．6 在有限资源下的分类器的评价
7．1．7 用于对比集成的统计测试
7．2 计算复杂度
7．3 集成结果的可解释性
7．4 大规模数据的可量测性
7．5 鲁棒性
7．6 稳定性
7．7 灵活性
7．8 可用性
7．9 软件实用性
7．10 应该选用哪个集成方法

参考文献
高新科技译丛丛书书目