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