Properties of Bagged Nearest Neighbour Classifiers
袋装最近邻分类器的性质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：摘要讨论通用分类器的袋装与风险理论，未提供对应所列计量领域细分的充分依据。
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…
关注这篇论文的作者
袋装最近邻分类器的性质
- 研究问题
- 对最近邻分类器进行袋装集成时，重抽样比例如何影响渐近分类风险，何种抽样规模安排能够使其达到贝叶斯最优风险？
- 方法与思路
- 作者分别分析有放回与无放回袋装抽样下的分类风险，考察抽样比例固定及趋零的情形，并讨论交叉验证选比例和数值说明。
- 材料陈述的贡献
- 摘要称改善风险的比例阈值分别为低于69%和50%；比例趋零且重抽样规模趋于无穷时，袋装分类器及其风险趋于贝叶斯最优。
- 阅读关注点
- 应核对各比例阈值所依赖的分布条件、风险比较对象、分类器收敛的具体含义，以及交叉验证选择抽样比例的理论与数值依据。
- 阅读边界
- 仅据所给 Crossref 摘要；阈值对应渐近风险结论，不能推断有限样本必然改善。摘要未完整列出假设或报告数值改善幅度。
原文摘要
Summary It is shown that bagging, a computationally intensive method, asymptotically improves the performance of nearest neighbour classifiers provided that the resample size is less than 69% of the actual sample size, in the case of with-replacement bagging, or less than 50% of the sample size, for without-replacement bagging. However, for larger sampling fractions there is no asymptotic difference between the risk of the regular nearest neighbour classifier and its bagged version. In particular, neither achieves the large sample performance of the Bayes classifier. In contrast, when the sampling fractions converge to 0, but the resample sizes diverge to ∞, the bagged classifier converges to the optimal Bayes rule and its risk converges to the risk of the latter. These results are most readily seen when the two populations have well-defined densities, but they may also be derived in other cases, where densities exist in only a relative sense. Cross-validation can be used effectively to choose the sampling fraction. Numerical calculation is used to illustrate these theoretical properties.