Principal weighted support vector machines for sufficient dimension reduction in binary classification
二元分类充分降维的主加权支持向量机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：摘要聚焦一般二元分类的充分降维，未涉及经济主体选择行为或离散选择模型。
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…
二元分类充分降维的主加权支持向量机
- 研究问题
- 当二元响应使部分充分降维方法只能提取有限方向时，如何构造能够处理线性和非线性降维的统一分类框架？
- 方法与思路
- 作者提出主加权支持向量机，作为二元分类中线性与非线性充分降维的统一方法，研究渐近性质并给出计算算法。
- 材料陈述的贡献
- 摘要称，该方法针对现有充分降维方法在二元分类中的局限，提供统一框架、渐近分析和高效算法，并展示数值表现。
- 阅读关注点
- 应核对加权支持向量机如何识别降维方向、线性与非线性情形的条件，以及方向数量选择和数值比较的评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；降维识别条件、渐近结论细节和性能差距未说明，二元分类不等于离散选择建模。
原文摘要
Sufficient dimension reduction is popular for reducing data dimensionality without stringent model assumptions. However, most existing methods may work poorly for binary classification. For example, sliced inverse regression (Li, 1991) can estimate at most one direction if the response is binary. In this paper we propose principal weighted support vector machines, a unified framework for linear and nonlinear sufficient dimension reduction in binary classification. Its asymptotic properties are studied, and an efficient computing algorithm is proposed. Numerical examples demonstrate its performance in binary classification.