The discrimination power of projection pursuit with different density estimators
不同密度估计方法下投影寻踪的判别能力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：摘要涉及统计判别与字符识别，不能据此归入经济离散选择、宏观预测或其他所列方向。
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
不同密度估计方法下投影寻踪的判别能力
- 研究问题
- 投影寻踪判别分析如何受一维密度估计方法影响，核方法与小波方法在收敛、分类风险及高维表现上有何差别？
- 方法与思路
- 作者分析基于核与小波密度估计的投影寻踪判别方法，研究收敛率和风险一致性，并用模拟及字符识别数据进行比较。
- 材料陈述的贡献
- 摘要称，小波方法保持一维小波密度估计的收敛率，两类方法均有贝叶斯风险强一致性，并考虑了多投影推广。
- 阅读关注点
- 应核对投影选择规则、风险一致性与收敛率的条件，以及字符识别和模拟中维度、调参方式与分类误差的比较设计。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；小波更易找到有用投影的陈述未附具体数值，不能据此认定其普遍优于核方法。
原文摘要
We explore the properties of projection pursuit discriminant analysis. This discriminant method is very powerful but relies heavily on a univariate density estimate. We show that the procedure based on wavelets maintains the same rate of convergence as with univariate wavelet density estimation. We also show the Bayes risk strong consistency of both the kernel‐ and wavelet‐based methods. Simulated data and real data concerning character recognition show that the method is effective and robust against the curse of dimensionality. The wavelet alternative seems more likely than the kernel counterpart to find an interesting projection. Wavelets are often criticised for giving too wiggly an estimate and for being too localised to give good global properties. In the above context, these potential drawbacks do not weaken the method but the use of wavelets seems to enhance it. A multiple projection generalisation is also considered.