Adaptive Confidence Intervals for the Test Error in Classification
分类测试误差的自适应置信区间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：摘要研究通用分类误差推断，未提供宏观预测或金融收益预测的直接依据。
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
分类测试误差的自适应置信区间
- 研究问题
- 分类器测试误差的非光滑性会影响点估计及常规区间覆盖，能否直接构造自适应置信区间以改善推断可靠性？
- 方法与思路
- 作者利用测试误差的平滑、数据依赖上下界直接构造区间，并针对线性分类器分析固定及局部备择下的性质。
- 材料陈述的贡献
- 摘要称，线性分类器的区间可适应非光滑性且无需贝叶斯分类器为线性；所列测试问题中达到名义覆盖。
- 阅读关注点
- 应核对测试误差的目标定义、上下界构造及训练数据的处理，以及线性分类器理论与其他算法实验的适用差异。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，线性分类器的理论不能自动推广至所有算法，测试问题中的覆盖也非普遍保证。
原文摘要
The estimated test error of a learned classifier is the most commonly reported measure of classifier performance. However, constructing a high quality point estimator of the test error has proved to be very difficult. Furthermore, common interval estimators (e.g. confidence intervals) are based on the point estimator of the test error and thus inherit all the difficulties associated with the point estimation problem. As a result, these confidence intervals do not reliably deliver nominal coverage. In contrast we directly construct the confidence interval by use of smooth data-dependent upper and lower bounds on the test error. We prove that for linear classifiers, the proposed confidence interval automatically adapts to the non-smoothness of the test error, is consistent under fixed and local alternatives, and does not require that the Bayes classifier be linear. Moreover, the method provides nominal coverage on a suite of test problems using a range of classification algorithms and sample sizes.