The Covariance Inflation Criterion for Adaptive Model Selection
自适应模型选择的协方差膨胀准则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：摘要中的预测指一般回归与分类任务，没有宏观即时预测或金融收益预测的明确对象，故不归入这些预测细分方向。
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
自适应模型选择的协方差膨胀准则
- 研究问题
- 在回归、分类等预测任务中，如何修正自适应模型的训练误差，并衡量逐步回归、树模型或神经网络的有效参数数量？
- 方法与思路
- 作者将预测规则应用于数据集的置换版本，用预测值与响应的平均协方差修正训练误差，构造协方差膨胀准则。
- 材料陈述的贡献
- 摘要称，新准则可用于一般预测问题和预测规则，并附带给出自适应程序有效参数数量的度量，讨论其与其他选择方法的联系。
- 阅读关注点
- 应核对数据置换方式、平均协方差的计算对象，以及误差修正与有效参数度量的解释和条件自助法之间的关系。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明准则的理论保证、计算负担或比较数值，不能断言对所有预测算法都更优。
原文摘要
Summary We propose a new criterion for model selection in prediction problems. The covariance inflation criterion adjusts the training error by the average covariance of the predictions and responses, when the prediction rule is applied to permuted versions of the data set. This criterion can be applied to general prediction problems (e.g. regression or classification) and to general prediction rules (e.g. stepwise regression, tree-based models and neural nets). As a by-product we obtain a measure of the effective number of parameters used by an adaptive procedure. We relate the covariance inflation criterion to other model selection procedures and illustrate its use in some regression and classification problems. We also revisit the conditional bootstrap approach to model selection.