Multivariate Binary Discrimination by the Kernel Method
核方法在多元二元数据判别中的应用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：摘要涉及二元特征的统计分类与医学诊断，未研究选择行为，故不归入离散选择。
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
核方法在多元二元数据判别中的应用
- 研究问题
- 作者研究如何把连续空间的核密度估计扩展到多元二元数据，并用于判别问题，同时讨论类别数据与混合数据的扩展。
- 方法与思路
- 作者在多元二元空间构造非参数核方法，讨论其一致性，以医学诊断问题示范应用，并提出类别及二元连续混合数据的扩展。
- 材料陈述的贡献
- 摘要称，方法具有简单的非参数形式和一致性，并相对已有参数方法具某些优势；摘要未说明这些优势的具体指标。
- 阅读关注点
- 应核对二元空间核函数及平滑参数的定义、一致性条件、判别规则，以及医学示例与参数方法比较的评价标准。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未提供误分类率或比较细节，二元数据判别也不能直接视为经济离散选择建模。
原文摘要
An extension of the kernel method of density estimation from continuous to multivariate binary spaces is described. Its simple nonparametric nature together with its consistency properties make it an attractive tool in discrimination problems, with some advantages over already proposed parametric counterparts. The method is illustrated by an application to a particular medical diagnostic problem. Simple extensions of the method to categorical data and to data of mixed binary and continuous form are indicated.