賽尼、艾德著的《數據挖掘中的集成方法--通過
集成預測來提升精度》討論基於決策樹的集成，分析
被視為當前現代集成算法高級性能的主要原因之一的
正則化問題，描述集成方法領域近年來的兩個發展—
—重要性采樣(IS)和規則集成(RE)，論述新數據信息
集成在復雜性和更高精度方面的悖論等重要命題。全
書面向前沿、文字簡練、論述充分、可讀性好。
本書可供計算機科學技術、控制科學與工程、信
息科學與技術、機電工程、管理科學與工程等專業的
教師、研究生、高年級本科生參考。

譯者序
原書序一
原書序二
摘要
第1章 集成發現
1.1 建立集成
1.2 正則化
1.3 現實世界中的實例：信用評分+網飛挑戰
1.4 本書的組織架構
第2章 預測學習和決策樹
2.1 決策樹歸納縱覽
2.2 決策樹的性能
2.3 決策樹的缺陷
第3章 模型復雜度、模型選擇和正則化
3.1 什麼是樹的“合適”規模
3.2 偏差-方差分解
3.3 正則化
3.3.1 正則化與成本.復雜度樹修剪
3.3.2 交叉驗證
3.3.3 運用收縮的正則化
3.3.4 通過構建增量模型的正則化
3.3.5 實例
3.3.6 正則化綜述
第4章 重要性采樣和經典集成方法
4.1 重要性采樣
4.1.1 參數重要性測度
4.1.2 擾動采樣
4.2 泛化集成生成
4.3 Bagging
4.3.1 實例
4.3.2 為什麼：Bagging有用
4.4 隨機森林
4.5 AdaBoost
4.5.1 實例
4.5.2 為什麼使用指數損失
4.5.3 AdaBoost的總體*小值
4.6 梯度：Boosting
4.7 MART
4.8 並行集成與順序集成的比較
第5章 規則集成和解釋統計
5.1 規則集成
5.2 解釋
5.2.1 仿真數據實例
5.2.2 變量重要性
5.2.3 偏相關
5.2.4 交互統計
5.3 制造業數據實例
5.4 總結
第6章 集成復雜性
6.1 復雜性
6.2 廣義自由度
6.3 實例：帶有噪聲的決策樹表面
6.4 廣義自由度的R代碼和實例
6.5 總結與討論
參考文獻
附錄A AdaBoost與FSF程序的等價性
附錄B 梯度Boosting和魯棒損失函數