Simple tiered classifiers
简单的分层分类器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：摘要研究通用机器学习分类器，没有提供离散选择模型或特定经济金融预测任务的依据。
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…
简单的分层分类器
- 研究问题
- 面对相对复杂的数据，能否通过简单的两层分类结构降低传统单层分类器的误分类率，同时控制额外计算负担？
- 方法与思路
- 作者提出通用分层分类器，分别扩展线性判别分析、线性逻辑回归和支持向量机，并用真实与模拟数据进行比较。
- 材料陈述的贡献
- 摘要称三种两层分类器在所考察数据中明显降低原单层方法较高的误分类率，且没有显著增加计算工作量。
- 阅读关注点
- 应核对两层结构和训练流程、调参与样本划分方式，以及误分类率和计算成本比较是否使用一致的数据与评估标准。
- 阅读边界
- 索引摘要版本未注明，未给出理论保证、数值幅度或评估协议；经验改善不能扩张为所有数据上的优势或经济预测能力。
原文摘要
In this paper we propose simple, general tiered classifiers for relatively complex data. Empirical studies on real and simulated data show that three two-tier classifiers, which are respective extensions of linear discriminant analysis, linear logistic regression and support vector machines, can reduce noticeably the relatively high misclassification error of their original single-tier counterparts, without significantly increasing computational labour.