Ensemble projection pursuit for general nonparametric regression
一般非参数回归的集成投影寻踪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：摘要研究一般非参数回归和统计学习；虽涉及分类任务，但没有离散选择行为或所列预测应用的直接证据。
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
一般非参数回归的集成投影寻踪
- 研究问题
- 如何改进投影寻踪回归的估计和集成方式，使其在一般非参数回归函数下获得理论保证并改善实际学习表现？
- 方法与思路
- 作者提出最优贪心算法，并通过特征装袋构造集成投影寻踪；各投影项使用全部样本估计，并开展真实数据比较。
- 材料陈述的贡献
- 摘要称平方可积回归函数可获得一致性及更高一致性速率，估计保持平滑；真实数据比较显示回归和分类表现较好。
- 阅读关注点
- 应核对贪心步骤和特征装袋机制、速率比较所需条件，以及真实数据上的调参、评估指标与计算成本比较。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；速率条件和数据比较细节未给出，不能将作者所述优势认定为普遍占优。
原文摘要
Projection pursuit regression (PPR) and artificial neural networks (ANNs), both introduced around the same time, share a similar approach to approximating complex structures in data. However, PPR has received far less attention than ANNs and other popular statistical learning methods such as random forests (RF) and support vector machines (SVM). In this paper, we revisit the estimation of PPR and propose an optimal greedy algorithm and an ensemble approach via feature bagging, hereafter referred to as ePPR, to improve its effectiveness. Compared to RF, ePPR has two main advantages. First, its theoretical consistency can be proved for more general regression functions, as long as they are L2 integrable, and higher consistency rates can be achieved. Second, ePPR does not split the samples, so each term of the PPR is estimated using the entire data, making minimisation more efficient and ensuring the smoothness of the estimator. Extensive comparisons on real data sets show that ePPR is more efficient in regression and classification than RF and other competitors.