Improvements on Cross-Validation: The 632+ Bootstrap Method
改进交叉验证：.632+ 自助法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：摘要研究通用预测误差评估，仅有分类模拟，未涉及宏观预测或金融收益预测。
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
改进交叉验证：.632+ 自助法
- 研究问题
- 训练数据已用于构造预测规则时，如何估计其未来预测误差，缓解交叉验证误差估计近乎无偏却可能高变异的问题？
- 方法与思路
- 作者将自助法误差估计解释为平滑化的交叉验证，讨论 .632+ 规则，并研究误差率点估计及其变异性估计。
- 材料陈述的贡献
- 摘要称 .632+ 在所列二十四组模拟中明显优于交叉验证，并覆盖线性判别与近邻等不同平滑程度的分类规则。
- 阅读关注点
- 应核对 .632+ 权重与过拟合修正、误差变异性估计方法，以及模拟设计和比较指标是否对应实际拟用的预测规则。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。详细研究限于零一损失的分类问题；模拟优势不能直接推广至其他损失或时间依赖预测。
原文摘要
A training set of data has been used to construct a rule for predicting future responses. What is the error rate of this rule? This is an important question both for comparing models and for assessing a final selected model. The traditional answer to this question is given by cross-validation. The cross-validation estimate of prediction error is nearly unbiased but can be highly variable. Here we discuss bootstrap estimates of prediction error, which can be thought of as smoothed versions of cross-validation. We show that a particular bootstrap method, the .632+ rule, substantially outperforms cross-validation in a catalog of 24 simulation experiments. Besides providing point estimates, we also consider estimating the variability of an error rate estimate. All of the results here are nonparametric and apply to any possible prediction rule; however, we study only classification problems with 0–1 loss in detail. Our simulations include “smooth” prediction rules like Fisher's linear discriminant function and unsmooth ones like nearest neighbors.