Comprehensive OOS Evaluation of Predictive Algorithms with Statistical Decision Theory
基于统计决策理论的预测算法全面样本外评价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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论通用预测评价与统计决策理论，治疗选择是示例，未明确研究因果效应识别、宏观预测或金融收益预测。
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
基于统计决策理论的预测算法全面样本外评价
- 研究问题
- 当训练样本、数据生成总体和预测目标总体都可能变化时，如何全面评价预测算法，并将未来与过去不同的风险纳入决策？
- 方法与思路
- 作者主张用频率学派统计决策理论评价不同样本与总体下的表现，并以条件预测支持治疗选择、患者疾病预测为讨论场景。
- 材料陈述的贡献
- 摘要提出超越常规交叉验证的评价框架，强调总体外推与状态空间限制，并指出实际实施常受计算复杂度约束。
- 阅读关注点
- 应核对决策损失、总体状态空间与评价准则如何定义，以及这些限制如何影响外推能力、计算可行性和治疗选择结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未提供通用可实施算法或比较结果，不能据此认定该框架总是更优。
原文摘要
We argue that comprehensive out-of-sample (OOS) evaluation using statistical decision theory (SDT) should replace the current practice of K-fold and Common Task Framework validation in machine learning (ML) research on prediction. SDT provides a formal frequentist framework for performing comprehensive OOS evaluation across all possible (1) training samples, (2) populations that may generate training data, and (3) populations of prediction interest. Regarding feature (3), we emphasize that SDT requires the practitioner to directly confront the possibility that the future may not look like the past and to account for a possible need to extrapolate from one population to another when building a predictive algorithm. For specificity, we consider treatment choice using conditional predictions with alternative restrictions on the state space of possible populations that may generate training data. We discuss application of SDT to the problem of predicting patient illness to inform clinical decision making. SDT is simple in abstraction, but it is often computationally demanding to implement. We call on ML researchers, econometricians, and statisticians to expand the domain within which implementation of SDT is tractable.