Probability estimation for large-margin classifiers
大间隔分类器的类别概率估计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：材料研究通用分类器的概率估计，未明确涉及经济离散选择或所列其他应用方向。
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…
大间隔分类器的类别概率估计
- 研究问题
- 大间隔分类器侧重决策边界，通常不直接输出类别概率；如何借助分类结果估计概率，并控制所需的逼近精度？
- 方法与思路
- 作者通过顺序分类逐步夹定类别概率，在支持向量机与 ψ-learning 中实现，使用估计的 KL 损失调参，并推导支持向量机解路径。
- 材料陈述的贡献
- 摘要称，方法可按目标精度估计类别概率，解路径有助于降低计算成本；理论与数值比较显示其在高维小样本情形具有竞争力。
- 阅读关注点
- 应核对概率夹定与停止规则、精度保证的条件、损失估计和调参方式，以及高维比较的设计与白血病数据应用。
- 阅读边界
- 依据版本未注明的索引摘要；精度保证的具体条件、计算成本和比较数值未给出，不能把竞争力理解为普遍优越性。
原文摘要
Large margin classifiers have proven to be effective in delivering high predictive accuracy, particularly those focusing on the decision boundaries and bypassing the requirement of estimating the class probability given input for discrimination. As a result, these classifiers may not directly yield an estimated class probability, which is of interest itself. To overcome this difficulty, this article proposes a novel method for estimating the class probability through sequential classifications, by using features of interval estimation of large-margin classifiers. The method uses sequential classifications to bracket the class probability to yield an estimate up to the desired level of accuracy. The method is implemented for support vector machines and ψ-learning, in addition to an estimated Kullback–Leibler loss for tuning. A solution path of the method is derived for support vector machines to reduce further its computational cost. Theoretical and numerical analyses indicate that the method is highly competitive against alternatives, especially when the dimension of the input greatly exceeds the sample size. Finally, an application to leukaemia data is described.