Likelihood inference in nearest-neighbour classification models
最近邻分类模型中的似然推断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：摘要研究一般监督分类与似然建模，没有经济离散选择行为或其他所列细分方向的明确证据。
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
最近邻分类模型中的似然推断
- 研究问题
- 如何以似然推断替代传统最近邻分类中固定邻居数量或交叉验证的做法，并同时纳入原始预测变量和多个邻域项？
- 方法与思路
- 作者将最近邻自协变量纳入广义线性回归，允许原始预测变量的线性效应和多个最近邻项，再通过逐步回归选择最终模型。
- 材料陈述的贡献
- 摘要称，该框架包含常规广义线性模型和最近邻算法作为特例，经验结果显示其在多种数据集上的误分类率较低。
- 阅读关注点
- 应核对最近邻自协变量及似然的定义、逐步选择与预测评估流程，以及经验比较如何处理模型选择带来的不确定性。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，数据集、比较设置与改进幅度未提供；所报告误分类率优势不能视为普遍性能保证。
原文摘要
Traditionally the neighbourhood size k in the k‐nearest‐neighbour algorithm is either fixed at the first nearest neighbour or is selected on the basis of a crossvalidation study. In this paper we present an alternative approach that develops the k‐nearest‐neighbour algorithm using likelihood‐based inference. Our method takes the form of a generalised linear regression on a set of k‐nearest‐neighbour autocovariates. By defining the k‐nearest‐neighbour algorithm in this way we are able to extend the method to accommodate the original predictor variables as possible linear effects as well as allowing for the inclusion of multiple nearest‐neighbour terms. The choice of the final model proceeds via a stepwise regression procedure. It is shown that our method incorporates a conventional generalised linear model and a conventional k‐nearest‐neighbour algorithm as special cases. Empirical results suggest that the method out‐performs the standard k‐nearest‐neighbour method in terms of misclassification rate on a wide variety of datasets.