Iterative Reclassification Procedure for Constructing an Asymptotically Optimal Rule of Allocation in Discriminant Analysis
判别分析中构造渐近最优分类规则的迭代重分类程序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：摘要研究一般两总体判别与分类风险，不是离散选择模型或经济收益预测，所列细分领域缺乏直接依据。
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
判别分析中构造渐近最优分类规则的迭代重分类程序
- 研究问题
- 在两总体判别问题中，如何同时利用已分类和未分类观测改进分类规则，未分类样本增加时能否实现渐近最优？
- 方法与思路
- 作者提出结合两类观测的迭代重分类程序，分析大量未分类观测下的渐近性质，并用蒙特卡洛实验考察有限样本风险。
- 材料陈述的贡献
- 摘要称在未分类样本趋于无穷、已分类样本适度较大时程序渐近最优，模拟提示仅一次迭代即可降低平均分类风险。
- 阅读关注点
- 应核对分类模型、风险定义及渐近最优的比较基准，并确认迭代如何使用未分类数据；样本量记号疑点需查原 PDF。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；样本量表达出现不一致记号，不能重构公式；具体最优性条件及模拟风险降幅未说明。
原文摘要
The construction of a suitable rule of allocation in the two-population discrimination problem is considered in the case where there are initially available from the populations II1, II2, n 1, n 2 observations and M unclassified observations. An iterative reclassification procedure based on the n 1 + n 3 + M observations is proposed and found asymptotically optimal when M → ∞ and n 1 and n 2 are moderately large. The case of finite M is evaluated by a Monte Carlo experiment which suggests that the proposed procedure, after only one iteration, gives a rule with smaller average risk than the usual rule based on just the n 1 + n 2 classified observations.