W systemach społecznych kolektywne podejmowanie decyzji jest czymś naturalnym. Na przykład w sprawach dotyczących działalności jednostek gospodarczych (przedsiębiorstwa), czy administracyjnych (miasta), decyzje podejmuje zarząd, a więc zespół osób składający się ze specjalistów z różnych dziedzin (finansów, marketingu, zarządzania, produkcji, sprzedaży, itd.).

Odbywa się to zazwyczaj albo na zasadzie konsensusu, albo większością głosów w drodze głosowania. W taki sposób można także rozwiązywać problemy szeroko rozumianej statystyki wielowymiarowej, a zwłaszcza analizy dyskryminacyjnej i analizy regresji.

Książka przybliża podstawowe zagadnienia związane z łączeniem modeli dyskryminacyjnych i regresyjnych. Ilustrowana jest wieloma przykładami, w których wykorzystano powszechnie uznane i ogólnodostępne zbiory danych.

Przykłady te pozwalają lepiej zrozumieć charakter rozważanych zagadnień, a ponadto dowodzą praktycznej przydatności omawianych metod.

Na końcu książki znajduje się bardzo obszerna bibliografia przedmiotu, obejmująca przeszło 300 najważniejszych pozycji z literatury światowej, wydanych do połowy 2007 roku.

Rozważania zamieszczone w książce zainteresują badaczy różnych specjalności, a przede wszystkim statystyków i informatyków zajmujących się komputerowymi modelami statystyki wielowymiarowej oraz implementacjami w dziedzinie eksploracji danych (Data Mining).

Również studenci starszych lat specjalizujący się w statystyce i ekonometrii oraz praktycy wykorzystujący metody dyskryminacji i regresji powinni znaleźć tu interesujące dla siebie zagadnienia.

Rozdziały:
Wykaz symboli

1. Podstawowe zagadnienia analizy dyskryminacyjnej i analizy regresji
1.1. Pojęcia wstępne
1.2. Dyskryminacja i regresja
1.3. Błąd predykcji i jego dekompozycja
1.4. Zbiory danych wykorzystywane w książce

2. Wybrane klasy modeli dyskryminacyjnych i regresyjnych
2.1. Modele liniowe
2.2. Metoda najbliższych sąsiadów
2.3. Drzewa klasyfikacyjne i regresyjne
2.4. Sieci neuronowe
2.5. Metoda wektorów nośnych (SVM)

3. Podejście wielomodelowe
3.1. Agregacja modeli
3.2. Architektura modeli zagregowanych
3.3. Dekompozycja błędu predykcji modelu zagregowanego
3.4. Ustalanie optymalnej liczby modeli bazowych

4. Zróżnicowanie modeli bazowych i jego pomiar
4.1. Znaczenie zróżnicowania modeli bazowych
4.2. Miary zróżnicowania pary modeli bazowych
4.3. Miary zróżnicowania wszystkich modeli bazowych
4.4. Sposoby zapewnienia zróżnicowania modeli bazowych
4.5. Wykorzystanie metod taksonomicznych

5. Metody łączenia wyników predykcji modeli bazowych
5.1. Rodzaje predykcji modeli bazowych
5.2. Pojedyncza klasa
5.3. Uporządkowany zbiór klas
5.4. Wektor prawdopodobieństw a posteriori
5.5. Analiza porównawcza metod łączenia modeli

6. Wybrane metody budowy modeli zagregowanych
6.1. Bagging i inne metody losowego doboru obserwacji do prób uczących
6.2. Metoda boosting i jej odmiany
6.3. Metody doboru zmiennych objaśniających
6.4. Metody oparte na modyfikacjach zmiennej zależnej