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。
$ 172 元
原價 198
-
$172
