Variable Selection in Nonparametric Classification Via Measurement Error Model Selection Likelihoods
基于测量误差模型选择似然的非参数分类变量选择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：摘要研究通用预测分类与变量选择，未涉及经济主体的离散选择模型或其他所列方向。
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
基于测量误差模型选择似然的非参数分类变量选择
- 研究问题
- 能否利用岭回归、Lasso 与测量误差衰减之间的联系，为非参数分类构造兼具变量筛选和收缩能力的估计方法？
- 方法与思路
- 作者从线性回归中的测量误差模型选择思路出发，将其扩展到非参数分类，形成具有类似 Lasso 收缩性质的核分类器。
- 材料陈述的贡献
- 摘要明确提出新的测量误差模型变量选择方法及核分类器，通过模拟和真实数据研究有限样本表现，并从理论上研究一致性。
- 阅读关注点
- 应核对测量误差在选择似然中的具体作用、核函数和收缩参数的设定，以及一致性针对分类、变量选择还是其他对象。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；一致性的对象和条件未说明，不能把分类性能解释为因果识别能力，不能推断刊本变化。
原文摘要
Using the relationships among ridge regression, LASSO estimation, and measurement error attenuation as motivation, a new measurement-error-model-based approach to variable selection is developed. After describing the approach in the familiar context of linear regression, we apply it to the problem of variable selection in nonparametric classification, resulting in a new kernel-based classifier with LASSO-like shrinkage and variable-selection properties. Finite-sample performance of the new classification method is studied via simulation and real data examples, and consistency of the method is studied theoretically. Supplementary materials for the paper are available online.