简介：在运用众数规则集成群组结论时，存在着两个缺陷：第一，忽视了集成是否有效的问题；第二，在存有多个众数时规则失效。基于此，在对众数集成结果的有效性指标的设计及指标的性质进行分析的同时，探讨如何利用辅助信息对众数规则进行补充的问题。
简介：本文通过对鸢尾花数据的研究，提出了一种基于分类器的分类效果差异而进行快速选择的一种改进的BaggingTrees集成算法。并通过同其他统计机器学习方法，如：CART、BaggingTrees、RandomForest以及目前流行的基于遗传算法的选择性集成算法GASEN等比较得出，该算法对于分类问题而言，具有较高的准确率，而且与GASEN算法相比，运行的效率也得到了较大的提高。
简介：选择性集成算法是目前机器学习关注的热点之一。在对一海藻繁殖案例研究的基础上，提出了一种基于k—nleanS聚类技术的快速选择性BaggingTre咚集成算法；同时与传统统计方法和一些常用的机器学习方法相比较，发现该算法具有较小的模型推广误差和更高的预测精度的优点，而且其运行的效率也得到了较大的提高。
众数集成规则的有效性识别及其规则的补充
一种基于差异思想的选择性Bagging Trees集成算法研究
一种基于k—means聚类技术的快速选择性BaggingTrees集成算法研究
