A concrete statistical realization of Kleinberg's stochastic discrimination for pattern recognition. Part I. Two-class classification
Kleinberg 随机判别的具体统计实现：第一部分，两类分类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：摘要研究通用两类模式识别，分类任务本身不足以归入经济离散选择或金融预测方向。
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
Kleinberg 随机判别的具体统计实现：第一部分，两类分类
- 研究问题
- 论文研究如何在实际两类模式识别中实现随机判别方法，并放宽原有严格假设，使多个弱分类器能够有效组合。
- 方法与思路
- 作者在概率空间框架中引入近均匀性与弱不可辨识性，采用系统重抽样生成弱分类器，并建立相应的组合分类规则。
- 材料陈述的贡献
- 摘要称，给出可操作的两类随机判别实现，理论分析抗过度训练与较高收敛速度的原因，并报告真实和模拟数据测试。
- 阅读关注点
- 应核对放宽后假设的精确定义、弱分类器生成及组合流程，并检查抗过度训练和收敛速度结论的条件与测试设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出误差界、收敛率或测试数值，不能据此认为方法在所有分类任务中均有优势。
原文摘要
The method of stochastic discrimination (SD) introduced by Kleinberg is a new method in statistical pattern recognition. It works by producing many weak classifiers and then combining them to form a strong classifier. However, the strict mathematical assumptions in Kleinberg [The Annals of Statistics 24 (1996) 2319-2349] are rarely met in practice. This paper provides an applicable way to realize the SD algorithm. We recast SD in a probability-space framework and present a concrete statistical realization of SD for two-class pattern recognition. We weaken Kleinberg's theoretically strict assumptions of uniformity and indiscernibility by introducing near uniformity and weak indiscernibility. Such weaker notions are easily encountered in practical applications. We present a systematic resampling method to produce weak classifiers and then establish corresponding classification rules of SD. We analyze the performance of SD theoretically and explain why SD is overtraining-resistant and why SD has a high convergence rate. Testing results on real and simulated data sets are also given.