Sequential combination of weighted and nonparametric bagging for classification
用于分类的加权与非参数袋装法的序贯组合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：摘要讨论通用监督与无监督分类，不能仅因分类问题而归入离散选择。
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
用于分类的加权与非参数袋装法的序贯组合
- 研究问题
- 如何改进袋装分类器的学习表现，并通过随机标签机制，使无监督分类也能利用监督学习程序的优势？
- 方法与思路
- 作者提出序贯袋装程序，对重抽样数据点的类别标签进行随机化，分别分析监督情形的近邻分类器和无监督情形的硬阈值指标。
- 材料陈述的贡献
- 摘要称，在所分析的两类分类规则下，序贯袋装能够加快预测器向贝叶斯分类规则收敛，并提供模拟支持。
- 阅读关注点
- 应核对标签随机化与序贯更新的具体规则、无监督目标的定义，以及加速收敛所需条件和模拟中的比较基准。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；理论陈述针对特定分类规则，摘要未说明收敛速度或能否推广到其他学习器。
原文摘要
We propose a simple sequential procedure for bagged classification, which modifies nonparametric bagging by randomizing class labels of resampled data points. The random labelling feature of the procedure also enables us to undertake unsupervised classification with the benefit of supervised learning. Theoretical properties are given for the nearest neighbour classifier in the case of supervised learning and a hard-thresholding indicator in the case of unsupervised learning, showing that sequential bagging accelerates convergence of the bagged predictor to the Bayes rule. Simulation results are provided in support of the proposed method.