Generalized Linear and Quadratic Discriminant Functions Using Robust Estimates
使用稳健估计的广义线性与二次判别函数AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用稳健分类方法，误分类概率与判别函数本身不足以支持经济离散选择或金融预测等领域归类。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
使用稳健估计的广义线性与二次判别函数
- 研究问题
- 在厚尾或受污染的总体分布下，如何改造线性与二次判别函数，以降低传统 Fisher 线性判别方法的误分类概率？
- 方法与思路
- 作者提出两条路线：降低远离两总体重叠区域观测的权重，以及将均值和协方差矩阵的 M 估计代入常规判别函数。
- 材料陈述的贡献
- 摘要称，两类稳健判别方法在所考察的厚尾或污染分布模拟中，相比 Fisher 线性判别具有较低的误分类概率。
- 阅读关注点
- 应核对权重构造、M 估计的具体形式、污染与厚尾设定，以及比较对象是否足以区分稳健估计和判别函数形式的作用。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出误分类改善幅度、模拟范围或普遍理论保证，不能推断全面优越。
原文摘要
Two new methods of constructing robust linear and quadratic discriminant functions are introduced. The first is a generalization of Fisher's procedure for finding a linear discriminant function. It places less weight on those observations that are far from the overlapping regions of the two populations. The second new method substitutes M-estimates of the means and the covariance matrices into the usual expressions for the linear and quadratic discriminant functions. Monte Carlo results indicate lower misclassification probabilities for these schemes compared to Fisher's linear discriminant function in cases of heavy-tailed or contaminated distributions.