集成学习涉及结合多个机器学习模型的预测结果。
其效果既可以提高预测性能，也可以降低模型预测的方差。
集成方法在大多数机器学习教科书中都有涵盖；尽管如此，也有专门讨论该主题的书籍。
在这篇文章中，您将发现关于集成机器学习主题的顶级书籍。
阅读本文后，你将了解：
- 关于集成学习的书籍，包括它们的目录和更多相关信息。
- 最流行和常见的机器学习教科书中关于集成学习的章节和部分。
- 为对集成学习感兴趣的机器学习实践者提供的书籍推荐。
通过我的新书《使用 Python 的集成学习算法》启动您的项目，其中包括分步教程和所有示例的Python 源代码文件。
让我们开始吧。
集成学习书籍列表
我们将涵盖的专门讨论集成学习主题的书籍如下：
- 有监督和无监督集成方法及其应用, 2008.
- 使用集成方法进行模式分类, 2010.
- 集成学习, 2019.
- 数据挖掘中的集成方法, 2010.
- 集成方法, 2012.
- 集成机器学习, 2012.
还有一些来自 Packt 的书籍，但我不会评论它们；它们是：
- R 语言实践集成学习, 2018.
- Python 实践集成学习, 2019.
- 集成机器学习 Cookbook, 2019.
我是否遗漏了关于集成学习的书籍？
在下面的评论中告诉我。
您读过这些关于集成学习的书籍中的任何一本吗？
您觉得怎么样？请在评论中告诉我。
让我们仔细看看这些书籍，包括它们的作者、目录和更多相关信息。
有监督和无监督集成方法及其应用
这本书的完整标题是《有监督和无监督集成方法及其应用》，由 Oleg Okun 和 Giorgio Valentini 编辑，于 2008 年出版。
有监督和无监督集成方法及其应用
这本书是不同作者关于集成学习应用主题的学术论文集。
这本书包含九章，分为两部分，汇集了对有监督和无监督集成应用方面的贡献。
—— 第八页，《有监督和无监督集成方法及其应用》，2008年。
目录
- 第一部分：聚类集成方法及其应用
- 第一章：聚类集成方法：从单一聚类到组合解决方案
- 第二章：用于分类数据的随机子空间集成聚类
- 第三章：基于模糊方法的集成聚类
- 第四章：用于面向对象图像分析的协作多策略聚类
- 第二部分：分类集成方法及其应用
- 第五章：使用多分类器系统进行计算机系统入侵检测
- 第六章：用于基于基因表达的癌症分类的最近邻居集成
- 第七章：通过单变量分类器堆叠进行多元时间序列分类
- 第八章：梯度提升 GARCH 和神经网络用于时间序列预测
- 第九章：使用 VDM 和二叉决策树进行名义数据级联
我通常不推荐这本书给机器学习实践者，除非书中涵盖的某个应用与您当前的项目直接相关。
您可以在此处了解更多关于此书的信息
- 有监督和无监督集成方法及其应用, 2008.
想开始学习集成学习吗？
立即参加我为期7天的免费电子邮件速成课程（附示例代码）。
点击注册，同时获得该课程的免费PDF电子书版本。
使用集成方法进行模式分类
这本书的完整标题是《使用集成方法的模式分类》，由 Lior Rokach 撰写，于 2010 年出版。
使用集成方法进行模式分类
这本书为学生和学者提供了集成机器学习主题的技术介绍。
在整本书中，特别强调了广泛使用说明性示例。因此，除了集成理论之外，读者还被提供了大量来自广泛领域的人工和实际应用。本书中引用的数据，以及所呈现算法的大部分 Java 实现，都可以通过网络获得。
—— 第八页，《使用集成方法的模式分类》，2010年。
目录
- 第一章：模式分类简介
- 第二章：集成学习简介
- 第三章：集成分类
- 第四章：集成多样性
- 第五章：集成选择
- 第六章：纠错输出码
- 第七章：评估分类器集成
我喜欢这本书的水平。它技术性强，但不过度，并立足于在有监督预测建模项目中使用集成算法的实际问题。我认为它是一本适合实践者的优秀集成学习教科书。
您可以在此处了解更多关于此书的信息
- 使用集成方法进行模式分类, 2010.
集成学习
这本书的完整标题是《集成学习：使用集成方法的模式分类》，由 Lior Rokach 撰写，于 2019 年出版。
集成学习：使用集成方法的模式分类
这是《使用集成方法的模式分类》一书的直接更新版本，并给出了不同的标题。
本书第一版于十年前出版。该书受到了机器学习和数据科学界的广泛好评，并被翻译成中文。 […] 第二版旨在更新先前介绍的基本领域材料，并介绍该领域的新发现；本版三分之一以上的内容是新材料。
—— 第七页，《集成学习：使用集成方法的模式分类》，2019年。
目录
- 第一章：机器学习简介
- 第二章：分类和回归树
- 第三章：集成学习简介
- 第四章：集成分类
- 第五章：梯度提升机
- 第六章：集成多样性
- 第七章：集成选择
- 第八章：纠错输出码
- 第九章：评估集成分类器
这本是针对学生和实践者的优秀集成学习教科书，如果您必须在两者之间做出选择，则更推荐“集成学习：使用集成方法的模式分类”。
您可以在此处了解更多关于此书的信息
- 集成学习：使用集成方法的模式分类, 2019.
数据挖掘中的集成方法
这本书的完整标题是《数据挖掘中的集成方法：提高准确性
通过组合预测》，由 Giovanni Seni 和 John Elder 撰写，于 2010 年出版。
数据挖掘中的集成方法
这是一本关于集成的技术书籍，尽管概念是通过 R 中的完整示例来演示的。
本书面向初级和高级分析研究人员和实践者——尤其是在工程、统计和计算机科学领域。那些很少接触集成的人将学习为何以及如何使用这种突破性方法，而高级实践者将深入了解如何构建更强大的模型。在整本书中，提供了 R 语言代码片段来演示所描述的算法，并鼓励读者尝试该技术。
—— 第一页，《数据挖掘中的集成方法》，2010年。
目录
- 第一章：集成方法概述
- 第二章：预测学习和决策树
- 第三章：模型复杂度、模型选择和正则化
- 第四章：重要性抽样和经典集成方法
- 第五章：规则集成和解释统计
- 第六章：集成复杂度
- 附录 A：AdaBoost 与 FSF 过程的等效性
- 附录 B：梯度提升和稳健损失函数
我相信这是我多年前购买的第一本关于集成学习的书。对于实践者，尤其是那些已经使用 R 的实践者来说，这是一门很好的集成学习速成课程。对于大多数实践者来说，它可能有点过于数学化；尽管如此，我认为它可能是上述关于集成方法教科书的一个很好的替代品。
您可以在此处了解更多关于此书的信息
- 数据挖掘中的集成方法, 2010.
集成方法
这本书的完整标题是《集成方法：基础与算法》，由周志华撰写，于 2012 年出版。
集成方法：基础和算法
这是另一本专注于集成学习主题的教科书，面向学生和学者。
本书为研究人员、学生和实践者提供了集成方法简介。本书共八章，自然构成三部分。
—— 第七页，《集成方法：基础与算法》，2012年。
目录
- 第一章：引言
- 第二章：提升（Boosting）
- 第三章：装袋（Bagging）
- 第四章：组合方法
- 第五章：多样性
- 第六章：集成剪枝
- 第七章：聚类集成
- 第八章：高级主题
这本书写得很好，涵盖了主要方法并提供了很好的参考文献。我认为它是集成方法基础知识的另一个很好的入门，只要读者对一点数学感到舒适。我喜欢算法描述和实际例子。
您可以在此处了解更多关于此书的信息
- 集成方法：基础和算法, 2012.
集成机器学习
这本书的完整标题是《集成机器学习：方法与应用》，由 Cha Zhang 和 Yunqian Ma 编辑，于 2012 年出版。
集成机器学习
这本书是不同作者撰写的关于集成机器学习应用主题的学术论文集。
尽管集成学习方法最近取得了巨大成功，但我们发现很少有专门讨论这个主题的书籍，甚至更少有提供关于如何在实际应用中应用这些方法的见解的书籍。本书的主要目标是填补现有文献空白，全面涵盖最先进的集成学习方法，并提供一组展示集成学习方法在现实世界中各种用法的应用。
—— 第五页，《集成机器学习：方法与应用》，2012年。
目录
- 第一章：集成学习
- 第二章：提升算法：方法、理论和应用综述
- 第三章：提升核估计器
- 第四章：目标学习
- 第五章：随机森林
- 第六章：通过负相关学习进行集成学习
- 第七章：集成 Nystrom 方法
- 第八章：目标检测
- 第九章：用于人类活动识别的分类器提升
- 第十章：用于解剖结构检测和分割的判别式学习
- 第一章：生物信息学中的随机森林
像其他论文集一样，除非您是学者或者其中一章与您当前的机器学习项目直接相关，我通常不会推荐这本书。尽管如此，许多章节都为集成方法以及如何在特定应用中使用它们提供了扎实而简洁的介绍。
您可以在此处了解更多关于此书的信息
- 集成机器学习：方法与应用, 2012.
书籍章节
许多机器学习教科书都有关于集成学习的部分。
在本节中，我们将快速浏览一些更受欢迎的教科书和关于集成学习的相关章节。
2016 年出版的《使用 R 进行统计学习导论与应用》一书在第八章中对决策树的提升和装袋提供了扎实的介绍。
- 8.2 节：Bagging、随机森林、Boosting
2013 年出版的《应用预测建模》一书涵盖了最流行的集成算法，并附有 R 语言示例，重点是决策树集成。
- 第八章：回归树和基于规则的模型
- 第十四章：分类树和基于规则的模型
2016 年出版的《数据挖掘：实用机器学习工具与技术》一书专门用一章介绍了集成学习，并涵盖了包括 Boosting、Bagging 和 Stacking 在内的各种流行技术。
- 第十二章：集成学习。
2012 年出版的《机器学习：概率视角》一书提供了多个关于执行集成的算法的章节，以及一个专门针对堆叠和纠错输出码的主题章节。
- 16.2 节：分类和回归树 (CART)
- 16.4 节：提升
- 16.6 节：集成学习
2016 年出版的《统计学习基础》一书涵盖了关键的集成学习算法以及集成学习的一般理论。
- 第八章：模型推断与平均
- 第十章：Boosting 和加法树
- 第十五章：随机森林
- 第十六章：集成学习
我是否遗漏了您最喜欢的机器学习教科书中关于集成学习的部分？
在下面的评论中告诉我。
建议
我拥有这些书的每一本，因为我喜欢从多个角度阅读某个主题。
如果您正在寻找一本专门讨论集成学习主题的扎实教科书，我推荐以下书籍：
- 集成方法：基础和算法, 2012.
- 集成学习：使用集成方法的模式分类, 2019.
紧随其后的是《数据挖掘中的集成方法》，它将理论和 R 语言示例相结合。
- 数据挖掘中的集成方法, 2010.
此外，如果您无法获得最新的《集成学习：使用集成方法的模式分类》，我推荐《使用集成方法的模式分类》。
- 使用集成方法进行模式分类, 2010.
总结
在这篇文章中，您发现了一系列关于集成机器学习主题的书籍。
你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。
掌握现代集成学习！
在几分钟内改进您的预测
...只需几行python代码
在我的新电子书中探索如何实现
使用 Python 实现集成学习算法
它提供**自学教程**，并附有关于以下内容的**完整工作代码**：
堆叠、投票、提升、装袋、混合、超级学习器等等……
暂无评论。