On the Asymptotic Probability of Error in Nonparametric Discrimination
非参数判别的渐近误分类概率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：摘要讨论通用二元分类算法的风险理论，二元标签本身不是离散选择模型的依据。
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
非参数判别的渐近误分类概率
- 研究问题
- 对于独立同分布的二元分类数据，固定邻居数的最近邻分类器是否具有误分类概率极限，该极限与贝叶斯错误率如何比较？
- 方法与思路
- 作者研究固定奇数邻居数且不少于五的最近邻规则，证明误分类概率极限存在，并给出相对贝叶斯错误率的上界。
- 材料陈述的贡献
- 摘要称该界对所有所述数据分布成立，系数由邻居数和通用常数确定，并在某种意义下不可改进，但该意义未展开。
- 阅读关注点
- 应核对最近邻规则和距离并列的处理、极限存在的证明，以及不可改进的确切含义，并区分固定邻居数与随样本变化的情形。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；这是渐近错误率界，不能据此断言有限样本最优或固定邻居数下普遍达到贝叶斯风险。
原文摘要
Let $(X, Y), (X_1, Y_1), \cdots, (X_n, Y_n)$ be independent identically distributed random vectors from $R^d \times \{0, 1\}$, and let $\hat{Y}$ be the $k$-nearest neighbor estimate of $Y$ from $X$ and the $(X_i, Y_i)$'s. We show that for all distributions of $(X, Y)$, the limit of $L_n = P(\hat{Y} \neq Y)$ exists and satisfies $\lim_{n\rightarrow\infty} L_n \leq (1 + a_k)R^\ast, a_k = \frac{\alpha \sqrt k}{k - 3.25}\big(1 + \frac{\beta}{\sqrt{k-3}}\big), k \text{odd}, k \geq 5,$ where $R^\ast$ is the Bayes probability of error and $\alpha = 0.3399 \cdots$ and $\beta = 0.9749 \cdots$ are universal constants. This bound is shown to be best possible in a certain sense.