Cross-validation for selecting a model selection procedure
用交叉验证选择模型选择程序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：摘要讨论通用模型选择程序的交叉验证比较，没有明确指向所列微观、宏观或金融领域细分。
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
用交叉验证选择模型选择程序
- 研究问题
- 研究面对同一组数据和多种模型选择方法时，如何选择适合的方法，尤其是各方法的理论表现依赖难以检验的生成过程假设时。
- 方法与思路
- 作者使用交叉验证比较模型选择程序，分析一致选择最佳方法的条件，并讨论实践中关于交叉验证的一些常见误解。
- 材料陈述的贡献
- 摘要称提供了交叉验证一致选择最佳模型选择方法的理论结果及应用指导，并回应若干误解，但没有列出其具体内容。
- 阅读关注点
- 应核对最佳方法对应的损失标准、训练与验证样本的分配条件，以及比较固定模型和比较选择程序之间的区别。
- 阅读边界
- 摘要未说明候选程序范围、损失函数或一致性条件；不能据此认为任意交叉验证划分都能选出普遍最优的方法。
原文摘要
While there are various model selection methods, an unanswered but important question is how to select one of them for data at hand. The difficulty is due to that the targeted behaviors of the model selection procedures depend heavily on uncheckable or difficult-to-check assumptions on the data generating process. Fortunately, cross-validation (CV) provides a general tool to solve this problem. In this work, results are provided on how to apply CV to consistently choose the best method, yielding new insights and guidance for potentially vast amount of application. In addition, we address several seemingly widely spread misconceptions on CV.