Confidence Intervals for Random Forests: The Jackknife and the Infinitesimal Jackknife
随机森林的置信区间：刀切法与无穷小刀切法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论通用机器学习预测的不确定性，未涉及宏观预测或金融收益预测的具体对象。
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…
随机森林的置信区间：刀切法与无穷小刀切法
- 研究问题
- 如何估计袋装学习器和随机森林预测的抽样变异，并降低有限次 bootstrap 重复给标准误估计带来的计算负担？
- 方法与思路
- 作者基于刀切法和无穷小刀切法构造改进的袋装预测方差估计，并分析重复次数要求及方差估计自身的抽样分布。
- 材料陈述的贡献
- 摘要称改进方法将所需重复次数从 n 的 1.5 次方量级降至 n 量级，并比较两种方法达到相同精度的计算需求。
- 阅读关注点
- 应核对方差估计针对的随机性来源、有限重复次数的修正方式，以及标准误转化为有效置信区间所需的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未交代区间覆盖条件，重复次数比较也需核对适用范围。
原文摘要
We study the variability of predictions made by bagged learners and random forests, and show how to estimate standard errors for these methods. Our work builds on variance estimates for bagging proposed by Efron (1992, 2012) that are based on the jackknife and the infinitesimal jackknife (IJ). In practice, bagged predictors are computed using a finite number B of bootstrap replicates, and working with a large B can be computationally expensive. Direct applications of jackknife and IJ estimators to bagging require B on the order of n^{1.5} bootstrap replicates to converge, where n is the size of the training set. We propose improved versions that only require B on the order of n replicates. Moreover, we show that the IJ estimator requires 1.7 times less bootstrap replicates than the jackknife to achieve a given accuracy. Finally, we study the sampling distributions of the jackknife and IJ variance estimates themselves. We illustrate our findings with multiple experiments and simulation studies.