Quantile-based classifiers
基于分位数的分类器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：这里的分位数用于分类距离构造，并非分位数回归或分布效应研究，其他领域细分也缺乏依据。
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…
基于分位数的分类器
- 研究问题
- 面对小样本、高维且可能偏态的预测变量，如何利用类内分位数构造参数数量不随维度增长的分类规则，并选择合适的分位点？
- 方法与思路
- 作者将各变量到类内分位数的加权距离相加进行分类，通过最小化训练误分类率选择统一分位点，并分析一致性和高维性质。
- 材料陈述的贡献
- 摘要称分位点选择具有相应一致性，且在一定假设下正确分类概率随维度增长趋于一；模拟和应用展示较低误分类率。
- 阅读关注点
- 应核对距离权重、分位点选择一致性的条件、高维结论对变量依赖和类间差异的要求，以及训练选择与样本外评估的安排。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出高维假设和误分类数值，训练误差也不等同于样本外表现。
原文摘要
Classification with small samples of high-dimensional data is important in many application areas. Quantile classifiers are distance-based classifiers that require a single parameter, regardless of the dimension, and classify observations according to a sum of weighted componentwise distances of the components of an observation to the within-class quantiles. An optimal percentage for the quantiles can be chosen by minimizing the misclassification error in the training sample. It is shown that this choice is consistent for the classification rule with the asymptotically optimal quantile and that under some assumptions, as the number of variables goes to infinity, the probability of correct classification converges to unity. The effect of skewness of the distributions of the predictor variables is discussed. The optimal quantile classifier gives low misclassification rates in a comprehensive simulation study and in a real-data application.