Improved Small-Sample Estimation of Nonlinear Cross-Validated Prediction Metrics
非线性交叉验证预测指标的小样本改进估计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：摘要讨论通用预测性能评价和效率理论，未限定宏观或金融预测，也未对应其他所列细分方向。
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…
非线性交叉验证预测指标的小样本改进估计
- 研究问题
- 当训练与评价使用同一份数据时，如何可靠估计预测算法的非线性性能指标，并改善常规交叉验证的小样本表现？
- 方法与思路
- 作者分析交叉验证估计表现不佳的来源，利用效率理论构建替代估计框架，并以一般弱收敛定理处理两个具体例子。
- 材料陈述的贡献
- 摘要称提出估计量的弱收敛理论，并在两个明确研究的例子中展示相对标准方法的显著有限样本改善。
- 阅读关注点
- 应核对预测指标与目标参数的定义、效率理论修正的具体构造、弱收敛条件，以及两个例子的改善能否推广。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未说明两个指标的名称、定理条件或数值结果，不能把改善推广至所有预测指标或推断刊本变化。
原文摘要
When predicting an outcome is the scientific goal, one must decide on a metric by which to evaluate the quality of predictions. We consider the problem of measuring the performance of a prediction algorithm with the same data that were used to train the algorithm. Typical approaches involve bootstrapping or cross-validation. However, we demonstrate that bootstrap-based approaches often fail and standard cross-validation estimators may perform poorly. We provide a general study of cross-validation-based estimators that highlights the source of this poor performance, and propose an alternative framework for estimation using techniques from the efficiency theory literature. We provide a theorem establishing the weak convergence of our estimators. The general theorem is applied in detail to two specific examples and we discuss possible extensions to other parameters of interest. For the two explicit examples that we consider, our estimators demonstrate remarkable finite-sample improvements over standard approaches.