Asymptotically Efficient Solutions to the Classification Problem
分类问题的渐近有效解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：摘要研究一般分类规则的风险与空间划分，没有明确涉及所列经济计量应用方向，因此不作细分归类。
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
分类问题的渐近有效解
- 研究问题
- 如何利用欧氏观测空间的自适应划分构造分类规则，使其风险随样本增加趋近贝叶斯风险，同时保持计算便利性？
- 方法与思路
- 作者研究一类具有便利计算形式的自适应空间划分及其决策规则，并分析规则对坐标轴严格单调变换的不变性。
- 材料陈述的贡献
- 摘要称，作者给出分类规则序列达到渐近贝叶斯风险效率的充分条件，且这些条件不要求母分布满足正则性假设。
- 阅读关注点
- 应核对划分随样本变化的具体规则、充分条件的内容、风险收敛的含义，以及单调变换不变性的适用范围。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；划分条件、收敛速度及有限样本表现未说明，不能推断具体刊本内容。
原文摘要
We study a class of decision rules based on an adaptive partitioning of an Euclidean observation space. The class of partitions has a computationally attractive form, and the related decision rule is invariant under strictly monotone transformations of coordinate axes. We provide sufficient conditions that a sequence of decision rules be asymptotically Bayes risk efficient as sample size increases. The sufficient conditions involve no regularity assumptions on the underlying parent distributions.