A class of logistic-type discriminant functions
一类 logistic 型判别函数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：摘要研究二分类判别与 ROC 风险，未讨论经济主体的选择行为，不能仅因使用 logistic 回归便归入离散选择。
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
一类 logistic 型判别函数
- 研究问题
- 在两组判别中，如何按照误分类成本或 ROC 面积等目标选择判别函数，并分析真实对数似然比仅近似线性时的性质？
- 方法与思路
- 作者以线性判别 ROC 与真实似然比 ROC 之间的加权面积定义风险，用迭代重加权 logistic 回归估计，并研究近 logistic 情形。
- 材料陈述的贡献
- 摘要称提出目标权重对应的判别函数估计方法，讨论近 logistic 设定中的若干渐近性质，并以乳腺细胞学诊断等例子说明。
- 阅读关注点
- 核对权重与决策目标的对应关系、风险最小化和迭代估计条件，以及近似线性假设下实际建立了哪些渐近性质。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；渐近性质和诊断数值未列明，不能认定该方法对所有分布或目标均优于普通 logistic 回归。
原文摘要
In two‐group discriminant analysis, the Neyman–Pearson Lemma establishes that the ROC, receiver operating characteristic, curve for an arbitrary linear function is everywhere below the ROC curve for the true likelihood ratio. The weighted area between these two curves can be used as a risk function for finding good discriminant functions. The weight function corresponds to the objective of the analysis, for example to minimise the expected cost of misclassification, or to maximise the area under the ROC. The resulting discriminant functions can be estimated by iteratively reweighted logistic regression. We investigate some asymptotic properties in the ‘near‐logistic’ setting, where we assume the covariates have been chosen such that a linear function gives a reasonable, but not necessarily exact, approximation to the true log likelihood ratio. Some examples are discussed, including a study of medical diagnosis in breast cytology.