面向分類的集成學習算法--基礎理論與分析

作為一類先進的機器學習方法，多分類器集成技術將多個單體學習器按照一定的規則集成起來，
充分利用個體學習器之間的互補性，以取得更好的泛化能力和健壯性。
全書分為三部分，第一部分主要介紹集成學習的相關背景，即關於分類器的相關基礎理論。
第二部分主要介紹集成學習方法的核心知識，諸如多分類器集成的框架、集成規則和性能評估等理論；
Boosting、Bagging、Stacking和隨機森林（Random Forests）等經典算法；
除此之外，還介紹典型的動態集成方法以及集成聚類算法相關基本概念。
第三部分介紹集成學習方法的擴展議題，給出集成學習在半監督學習、主動學習和類別不平衡學習等領域的應用。
本書的主要受眾是具有一定機器學習和模式識別基礎知識的讀者，
也供機器學習和模式識別愛好者閱讀參考。

孫光靈
男，安徽淮南市人，工學碩士學位，安徽建築大學副教授。
現為中國計算機學會會員，安徽省人工智能學會會員，中國計算機教育MOOC聯盟安徽工委秘書長，
信息技術新工科安徽工委秘書長，安徽省高等學校計算機教育研究會副秘書長。
主要研究方向為人工智能、圖像處理等。
發表學術論文20餘篇，已獲授權實用新型專利、外觀設計專利4項，編寫教材3部，主講計算機課程8門。

李艷秋
女，安徽淮北人，1988年出生，2018年獲合肥工業大學計算機應用技術專業工學博士學位，
現為安徽建築大學電子與信息工程學院講師，近年來一直從事模式識別、機器視覺和機器學習等方向的研究工作。

目錄
第1章分類器理論基礎
1.1 數據挖掘
1.2 學習任務的種類
1.3 分類的概念
1.4 基於統計的分類技術
1.5 基於決策樹的分類方法
1.6 基於神經網絡的方法
1.7 分類器性能評估
第2章多分類器集成技術概述
2.1 集成學習的基本概念
2.2 集成學習的作用
2.3 多分類器集成有效性的原因
2.4 多分類器集成框架
2.5 基分類器的集成規則
2.6 多分類器性能評估
第3章多分類器集成技術
3.1 Boosting算法
3.2 Bagging算法
3.3 兩種經典集成方法中樣本加權分析
3.4 stacking算法
3.5 隨機子空間方法
3.6 隨機森林集成
第4章多分類器動態集成算法
4.1 多分類器動態集成框架
4.2 基於KNN準則的動態集成
4.3 基於聚類準則的動態集成
4.4 基於不同數據集的動態集成
4.5 多分類器動態集成算法分析
第5章基於分類器選擇的集成學習算法
5.1 選擇集成的提出
5.2 選擇性集成的理論基礎
5.3 選擇性集成算法GASEN
5.4 選擇性集成的不足和發展方向
5.5 集成剪枝
第6章聚類集成
6.1 聚類
6.2 聚類集成
6.3 經典聚類集成算法介紹
第7章集成學習擴展議題
7.1 半監督學習
7.2 主動學習
7.3 類別不平衡學習
7.4 關於集成學習的一點啟示