Cross-validation in nonparametric estimation of probabilities and probability densities
概率与概率密度非参数估计中的交叉验证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：摘要讨论一般非参数概率估计与损失选择，未涉及经济分布效应或所列专门应用。
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…
概率与概率密度非参数估计中的交叉验证
- 研究问题
- 用交叉验证估计单元格概率时，损失函数需要满足哪些条件才能保证一致性或最小化期望损失，其形状为何影响结果？
- 方法与思路
- 作者从一般损失度量出发分析交叉验证的大样本性质，推导损失函数条件并构造合适损失，再启发式讨论一元密度估计。
- 材料陈述的贡献
- 摘要称论文给出一致性或期望损失最小化的必要充分条件，指出方法对损失形状敏感，并提供生成具有最优性质损失的方法。
- 阅读关注点
- 应核对两类目标各自的必要充分条件、最优性的具体含义、损失构造方法，以及密度估计扩展为何仅属于启发式讨论。
- 阅读边界
- 仅据版本未注明的索引摘要；结论主要针对单元格概率的大样本估计，一元密度扩展未称为正式定理，有限样本表现未说明。
原文摘要
We examine large-sample properties of cross-validation for estimating cell probabilities, starting from a completely general measure of loss. Necessary and sufficient conditions on the loss function are derived for the resulting estimator to be consistent, or to minimize expected loss. These results reveal that cross-validation is extremely sensitive to the shape of the loss function. Nevertheless, when the loss function is chosen correctly, cross-validation can be relied on to perform well for large samples. We provide a simple method of generating loss functions with optimal properties. Extension to the estimation of univariate probability density functions is discussed at a heuristic level.