Cross-Validation, Risk Estimation, and Model Selection
交叉验证、风险估计与模型选择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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论通用预测风险评估与模型选择，未指向宏观预测、收益预测或其他给定领域细分，因此不作领域归类。
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…
关注这篇论文的作者
交叉验证、风险估计与模型选择
- 研究问题
- 交叉验证用于评估单个预测规则的预期测试误差，与用于比较模型时，是否具有不同的渐近信息与可靠性？
- 方法与思路
- 作者在一个简单的非参数设定中分析交叉验证误差，考察其主导误差项是否依赖所评估模型及其比较时的抵消。
- 材料陈述的贡献
- 摘要称，该设定下交叉验证对单个规则的预期测试误差渐近无信息，却能支持一致模型选择，因为共同误差项会抵消。
- 阅读关注点
- 应核对渐近无信息的精确定义、非参数设定与候选模型条件，以及共同误差项抵消如何导出模型选择一致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未展开具体设定，不能将结论直接推广到所有交叉验证任务。
原文摘要
Cross-validation is a popular non-parametric method for evaluating the accuracy of a predictive rule. The usefulness of cross-validation depends on the task we want to employ it for. In this note, I discuss a simple non-parametric setting, and find that cross-validation is asymptotically uninformative about the expected test error of any given predictive rule, but allows for asymptotically consistent model selection. The reason for this phenomenon is that the leading-order error term of cross-validation doesn't depend on the model being evaluated, and so cancels out when we compare two models.