Combining Estimates in Regression and Classification
回归与分类中的估计组合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：摘要提出一般回归与分类的预测组合框架，未指定宏观预测或金融收益预测对象，故不归入这些细分方向。
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…
关注这篇论文的作者
回归与分类中的估计组合
- 研究问题
- 面对来自子集回归、岭回归或神经网络等不同方法的拟合结果，如何组合这些结果以改善预测，并理解分类中的组合权重。
- 方法与思路
- 作者建立组合回归拟合向量的一般框架，研究基于交叉验证的 stacking，并推导自助法和解析组合方法，通过实例比较。
- 材料陈述的贡献
- 摘要称，文章提供多种估计组合方案并扩展到分类问题，组合权重可帮助理解问题结构；未报告统一的预测改善保证。
- 阅读关注点
- 应核对组合权重的约束与估计目标、交叉验证如何避免训练信息泄漏，以及不同组合方法的比较设计和权重解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；风险保证、实例结果及权重稳定性未说明，不能推断其他版本变化。
原文摘要
We consider the problem of how to combine a collection of general regression fit vectors to obtain a better predictive model. The individual fits may be from subset linear regression, ridge regression, or something more complex like a neural network. We develop a general framework for this problem and examine a cross-validation—based proposal called “model mix” or “stacking” in this context. We also derive combination methods based on the bootstrap and analytic methods and compare them in examples. Finally, we apply these ideas to classification problems where the estimated combination weights can yield insight into the structure of the problem.