选择性集成（selective ensemble），理学-计算机科学技术-人工智能-机器学习-集成学习，集成学习中的一种新范式，也是一种具有一定普遍性的思想。选择性集成是从已有的个体学习器中进行选择，删除一些学习器之后再集成，其集成后可能比用所有个体学习器集成效果更好。机器学习系统必须有好的泛化能力，集成学习（ensemble learning）可以显著地提高学习系统的泛化能力，因此，从20世纪90年代开始，对集成学习理论和算法的研究成为机器学习的一个热点。影响较大的算法有Bagging和Boosting。但随着个体学习器数目的增多，计算和存储开销也会随之增大，此外，个体学习器的数目增加之后，学习器之间的差异也会更难获得。所以并不是个体学习器的数目越多越好。对此，周等人提出了选择性集成（selective ensemble）。根据理论分析和实验研究表明，此方法要优于Bagging和Boosting等集成算法。选择性集成中被删除的学习器应满足如下条件：对于回归问题，有：对于分类问题，有：虽然知道删除条件，但具体的删除操作往往会涉及非常大的计算量，这在现实中并不可行。