AdaBoost Semiparametric Model Averaging Prediction for Multiple Categories
结合 AdaBoost 的多类别半参数模型平均预测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：摘要研究一般多类别预测与汽车分类，没有明确的个体选择行为模型，因此不凭多项逻辑模型名称归入离散选择。
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…
结合 AdaBoost 的多类别半参数模型平均预测
- 研究问题
- 面对多类别结果，如何通过半参数模型平均提升预测灵活性，并减少变系数子模型设定及模型错设对预测的影响？
- 方法与思路
- 作者基于变系数多项逻辑模型构建半参数模型平均预测，再结合 AdaBoost 估计类别概率和模型权重，并进行分类比较。
- 材料陈述的贡献
- 摘要称方法无需人为指定变系数子模型中的指标变量，并声称具有更好的灵活性与抗错设能力，通过模拟和汽车分类展示表现。
- 阅读关注点
- 应核对指标变量如何确定、模型平均与 AdaBoost 如何结合，以及比较中的调参、测试集划分和概率预测评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；错设稳健性的适用范围和预测提升幅度未说明。
原文摘要
Model average techniques are very useful for model-based prediction. However, most earlier works in this field focused on parametric models and continuous responses. In this article, we study varying coefficient multinomial logistic models and propose a semiparametric model averaging prediction (SMAP) approach for multi-category outcomes. The proposed procedure does not need any artificial specification of the index variable in the adopted varying coefficient sub-model structure to forecast the response. In particular, this new SMAP method is more flexible and robust against model misspecification. To improve the practical predictive performance, we combine SMAP with the AdaBoost algorithm to obtain more accurate estimations of class probabilities and model averaging weights. We compare our proposed methods with all existing model averaging approaches and a wide range of popular classification methods via extensive simulations. An automobile classification study is included to illustrate the merits of our methodology. Supplementary materials for this article are available online.