Arcing classifier (with discussion and a rejoinder by the author)
Arcing 分类器：附讨论与作者答复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：摘要属于通用分类集成学习，没有经济离散选择、收益预测或其他所列细分方向的直接证据。
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
Arcing 分类器：附讨论与作者答复
- 研究问题
- 自适应重抽样与组合投票为何能够降低不稳定分类器的测试误差，其作用与 bagging 有何差异，偏差和方差如何解释？
- 方法与思路
- 作者比较两种 arcing 算法及 bagging，考察对常被误分类样本增加重抽样权重的机制，并定义分类误差的偏差与方差成分。
- 材料陈述的贡献
- 摘要称所讨论的 arcing 比 bagging 更能降低测试误差，并将集成不稳定分类器的主要作用解释为显著降低方差。
- 阅读关注点
- 应核对两种算法的权重更新、偏差与方差定义，以及比较的数据和设置；题名中的讨论及答复应另行核对内容。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要；优势不能推广到所有数据集，所给材料也未提供讨论或作者答复的具体内容。
原文摘要
Recent work has shown that combining multiple versions of unstable classifiers such as trees or neural nets results in reduced test set error. One of the more effective is bagging. Here, modified training sets are formed by resampling from the original training set, classifiers constructed using these training sets and then combined by voting. Freund and Schapire propose an algorithm the basis of which is to adaptively resample and combine (hence the acronym “arcing”) so that the weights in the resampling are increased for those cases most often misclassified and the combining is done by weighted voting. Arcing is more successful than bagging in test set error reduction. We explore two arcing algorithms, compare them to each other and to bagging, and try to understand how arcing works. We introduce the definitions of bias and variance for a classifier as components of the test set error. Unstable classifiers can have low bias on a large range of data sets. Their problem is high variance. Combining multiple versions either through bagging or arcing reduces variance significantly.