Multivariate Discriminant Analysis and Maximum Penalized Likelihood Density Estimation
多元判别分析与最大惩罚似然密度估计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：摘要中的判别是通用统计分类，未涉及经济行为的离散选择模型或其他所列细分。
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
多元判别分析与最大惩罚似然密度估计
- 研究问题
- 如何将惩罚密度估计用于多元判别，并通过近似计算与自适应带宽，在分类误差和运行时间之间取得较好的平衡？
- 方法与思路
- 作者用 Gibbs 势描述多元密度的先验或惩罚结构，以随机算子平滑原始直方图，并用交叉验证选择依赖近邻的自适应带宽。
- 材料陈述的贡献
- 摘要称，近似惩罚最大似然分类算法在所测试的比较中，分类错误率和时间效率表现较好；未提供具体数值与测试范围。
- 阅读关注点
- 应核对 Gibbs 惩罚的定义、后验最大化与近似估计的关系、近邻带宽选择，以及比较算法的调参与计算时间计量方式。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确认比较结果可推广到其他数据；摘要未说明测试设计、近似误差或统计保证。
原文摘要
SUMMARY A new theoretical point of view is discussed in the framework of density estimation. The multivariate true density, viewed as a prior or penalizing factor in a Bayesian framework, is modelled by a Gibbs potential. Estimating the density consists in maximizing the posterior. For efficiency of time, we are interested in an approximate estimator f̂ = Bπ of the true density f, where B is a stochastic operator and π is the raw histogram. Then, we investigate the discrimination problem, introducing an adaptive bandwidth depending on the k nearest neighbours and chosen to optimize the cross-validation criterion. Our final classification algorithm referred to as APML for approximate penalized maximum likelihood compares favourably in terms of error rate and time efficiency with other algorithms tested, including multinormal, nearest neighbour and convex hull classifiers.