Model selection in utility-maximizing binary prediction
效用最大化二元预测中的模型选择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：摘要研究成本敏感二元分类与泛化效用，未明确涉及所列经济行为模型或金融预测细分。
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
效用最大化二元预测中的模型选择
- 研究问题
- 在成本敏感的二元分类中，如何缓解最大效用估计的样本内过拟合，并使预测规则在样本外获得较高的期望效用？
- 方法与思路
- 作者构造效用最大化预测规则 UMPR，利用适当的数据依赖惩罚进行模型选择，并推导最大期望效用与泛化期望效用差的界。
- 材料陈述的贡献
- 摘要给出效用差的非渐近上界，并称在二元结果条件概率误设的模拟中，适当惩罚的 UMPR 比常见分类估计方法效用更高。
- 阅读关注点
- 应核对效用函数、预测规则的候选集合、惩罚项如何由数据确定，以及非渐近界的条件和误设模拟中的比较基准。
- 阅读边界
- 仅据所给出版社摘要，无法判断效用增益幅度或适用范围；二元分类预测不等同于行为离散选择模型的识别与估计。
原文摘要
The maximum utility estimation proposed by Elliott and Lieli (2013) can be viewed as cost-sensitive binary classification; thus, its in-sample overfitting issue is similar to that of perceptron learning. A utility-maximizing prediction rule (UMPR) is constructed to alleviate the in-sample overfitting of the maximum utility estimation. We establish non-asymptotic upper bounds on the difference between the maximal expected utility and the generalized expected utility of the UMPR. Simulation results show that the UMPR with an appropriate data-dependent penalty achieves larger generalized expected utility than common estimators in the binary classification if the conditional probability of the binary outcome is misspecified.