Cross-Validation With Confidence
带置信保证的交叉验证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：摘要研究通用模型选择与交叉验证，未提供宏观预测、金融预测或其他所列方向的直接证据。
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
带置信保证的交叉验证
- 研究问题
- 如何在交叉验证中考虑测试样本的不确定性，控制模型选择中的过拟合，并兼顾预测表现与模型可解释性？
- 方法与思路
- 作者把交叉验证与统计推断结合，输出一组有竞争力的候选模型，并对该集合包含最优模型的概率提供保证。
- 材料陈述的贡献
- 摘要称方法在经典线性回归中可实现一致变量选择，并为调参提供不同的预测与解释性权衡；模拟和实例展示其表现。
- 阅读关注点
- 应核对最优模型的定义、候选集合的覆盖保证、数据划分要求，以及变量选择一致性成立所需的模型和信号条件。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未给出概率保证的具体形式或理论条件，不能理解为有限样本必然选中最优模型或推断刊本变化。
原文摘要
Cross-validation is one of the most popular model and tuning parameter selection methods in statistics and machine learning. Despite its wide applicability, traditional cross-validation methods tend to overfit, due to the ignorance of the uncertainty in the testing sample. We develop a novel statistically principled inference tool based on cross-validation that takes into account the uncertainty in the testing sample. This method outputs a set of highly competitive candidate models containing the optimal one with guaranteed probability. As a consequence, our method can achieve consistent variable selection in a classical linear regression setting, for which existing cross-validation methods require unconventional split ratios. When used for tuning parameter selection, the method can provide an alternative trade-off between prediction accuracy and model interpretability than existing variants of cross-validation. We demonstrate the performance of the proposed method in several simulated and real data examples. Supplemental materials for this article can be found online.