Incorporating prior probabilities into high-dimensional classifiers
在高维分类器中纳入类别先验概率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：摘要研究通用高维分类，未涉及经济离散选择行为或其他所列细分领域的明确问题。
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…
在高维分类器中纳入类别先验概率
- 研究问题
- 在难以构造似然或估计贝叶斯风险的高维分类问题中，如何使用各类别的先验概率降低总体分类错误率？
- 方法与思路
- 作者提出源自 bagging 思路的通用方法，将类别先验概率纳入高维分类，并通过理论、模拟和真实数据考察表现。
- 材料陈述的贡献
- 摘要称，该方法简单明确且无需选择调节参数；理论与数值研究显示可能降低错误率，尤其适用于分类困难的情形。
- 阅读关注点
- 应核对先验概率如何进入重采样与分类规则、理论改善需要的条件，以及类别不平衡时总体错误率的评价方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验概率的获取方式及改善成立范围未说明，不能认定普遍优于其他分类器或推断刊本变化。
原文摘要
In standard parametric classifiers, or classifiers based on nonparametric methods but where there is an opportunity for estimating population densities, the prior probabilities of the respective populations play a key role. However, those probabilities are largely ignored in the construction of high-dimensional classifiers, partly because there are no likelihoods to be constructed or Bayes risks to be estimated. Nevertheless, including information about prior probabilities can reduce the overall error rate, particularly in cases where doing so is most important, i.e. when the classification problem is particularly challenging and error rates are not close to zero. In this paper we suggest a general approach to reducing error rate in this way, by using a method derived from Breiman’s bagging idea. The potential improvements in performance are identified in theoretical and numerical work, the latter involving both applications to real data and simulations. The method is simple and explicit to apply, and does not involve choice of any tuning parameters.