Population theory for boosting ensembles
Boosting 集成的总体理论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：摘要讨论通用机器学习的总体逼近与分类风险，没有宏观预测、金融预测或因子模型的直接证据。
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
Boosting 集成的总体理论
- 研究问题
- 在无限样本的总体分布空间中，简单树能否充分表达函数，以及由这些树构成的 AdaBoost 集成能否达到贝叶斯风险？
- 方法与思路
- 作者在总体分布空间分析树集成，研究终端节点数超过维数时简单树类的完备性，并考察相应 AdaBoost 的风险收敛。
- 材料陈述的贡献
- 摘要称，满足所述节点数条件的简单树在相应平方可积函数空间中完备，其 AdaBoost 集成的风险收敛至贝叶斯风险。
- 阅读关注点
- 应核对简单树的精确定义、完备性和风险收敛所需条件，以及总体层面的结果如何与有限样本算法相联系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，结论处于无限样本框架；未说明有限样本误差、收敛速率或实用调参方法。
原文摘要
Tree ensembles are looked at in distribution space, that is, the limit case of "infinite" sample size. It is shown that the simplest kind of trees is complete in D-dimensional $L_2(P)$ space if the number of terminal nodes T is greater than D. For such trees we show that the AdaBoost algorithm gives an ensemble converging to the Bayes risk.