Discrimination and Classification Using Both Binary and Continuous Variables
同时使用二元变量与连续变量的判别和分类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：摘要中的二元变量用于一般分类，并非离散选择行为模型，因此不足以归入所列细分领域。
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
同时使用二元变量与连续变量的判别和分类
- 研究问题
- 当分类数据同时包含二元变量与连续变量时，如何构造和估计判别规则，并评估参数估计带来的分类损失？
- 方法与思路
- 作者从位置模型推导似然比分类规则，提出规则估计与性能评估方法，并研究 Fisher 线性判别及数据应用。
- 材料陈述的贡献
- 摘要提供混合变量分类规则及其估计方案，分析估计导致的损失，并在若干数据集上与其他分类规则比较。
- 阅读关注点
- 应核对位置模型如何描述两类变量及其关联、分类损失的定义，以及已知参数分析与实际估计比较的区别。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不推断刊本变化；摘要未给出数据集、分布条件或比较数值，不能断言分类优势。
原文摘要
The likelihood ratio classification rule is derived from the location model, applicable when the data contains both binary and continuous variables. A method is proposed for estimating the rule in practical situations and assessing its performance. Losses incurred by the estimation procedure are investigated, and use of Fisher's linear discriminant function on such data is studied for the case of known population parameters. Finally, the proposed rule is applied to some data sets, and its performance is compared with that of some other classification rules.