Reducing variability of crossvalidation for smoothing-parameter choice
降低平滑参数选择中交叉验证的变异性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：摘要讨论通用平滑参数选择与自助聚合，没有给定宏观或金融预测细分的直接依据。
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
降低平滑参数选择中交叉验证的变异性
- 研究问题
- 交叉验证选择的平滑参数常有较高变异性，并影响后续估计表现；如何通过重抽样聚合降低这种不稳定性？
- 方法与思路
- 作者对交叉验证采用自助聚合，分析自适应重抽样样本量的理论效果，并讨论较简单的半样本聚合方案。
- 材料陈述的贡献
- 摘要称，自适应样本量方案理论上可将变异性降低一个数量级，半样本方案可降低约一半；摘要未详述适用条件。
- 阅读关注点
- 应核对变异性的具体度量、聚合对象和重抽样大小规则，以及理论降幅的条件和对最终估计误差的实际影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所述降幅不能视为任意估计器或样本下的保证，也不能推断刊本变化。
原文摘要
One of the attractions of crossvalidation, as a tool for smoothing-parameter choice, is its applicability to a wide variety of estimator types and contexts. However, its detractors comment adversely on the relatively high variance of crossvalidatory smoothing parameters, noting that this compromises the performance of the estimators in which those parameters are used. We show that the variability can be reduced simply, significantly and reliably by employing bootstrap aggregation or bagging. We establish that in theory, when bagging is implemented using an adaptively chosen resample size, the variability of crossvalidation can be reduced by an order of magnitude. However, it is arguably more attractive to use a simpler approach, based for example on half-sample bagging, which can reduce variability by approximately 50%.