集成学习是现今机器学习领域研究的热点问题，选择性集成通过对基分类器进行选择来提高集成分类器的泛化能力，降低预测开销。模式挖掘是一种将问题转化为事务数据库中模式的全新挖掘策略。本文将垂直数据格式频繁闭项集的模式挖掘方法应用于分类器的选择过程，利用垂直数据结构、频繁闭项集及模式挖掘方法的优势，提出一种预测性能更好、更加高效的选择性集成分类算法。