An alternative choice of smoothing for kernel-based density estimates in discrete discriminant analysis
离散判别分析中核密度估计的另一种平滑参数选择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。
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：摘要研究分类分布的核估计与统计判别，而未建模个体选择行为，因此不足以归入离散选择等所列领域细分。
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
离散判别分析中核密度估计的另一种平滑参数选择
- 研究问题
- 研究多元分类分布的核单元概率估计中，如何围绕判别准确性选择平滑参数，并获得关于分类风险的渐近保证。
- 方法与思路
- 作者通过最大化留一法估计的正确分类率选择平滑参数，将单元概率估计的平滑程度与多元判别目标直接联系。
- 材料陈述的贡献
- 摘要称，该平滑选择方法具有 Bayes 风险强一致性，并通过一个示例展示应用；摘要没有提供具体性能数值。
- 阅读关注点
- 读全文时应核对正确分类率的留一估计、参数搜索范围与强一致性条件，并查明摘要中不一致的参数符号。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；平滑参数出现 λ 与 A 两种写法，需查原文，不能自行认定符号关系。
原文摘要
The kernel method of estimating the cell probabilities of a multivariate categorical distribution, due to Aitchison & Aitken (1976), depends crucially on an unknown smoothing parameter λ. A method of estimating A is introduced which is explicitly connected to multivariate discrimination. The method, based on maximization of the leaving-one-out estimator of the nonerror rate, is shown to be Bayes risk strongly consistent. An example is given to illustrate the application.