Classification with confidence
带置信保障的分类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：摘要讨论一般分类的覆盖与模糊区域，未提供所列经济计量领域的直接应用或理论依据。
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
带置信保障的分类
- 研究问题
- 如何在为各类别指定覆盖水平的同时，允许分类器保留需要进一步调查的模糊区域，并刻画置信保障与模糊程度的权衡？
- 方法与思路
- 作者以预测变量空间中的两个容忍区域定义分类器，扩展 Neyman–Pearson 引理刻画最优解，并基于条件概率估计构造程序。
- 材料陈述的贡献
- 摘要称理论揭示置信与模糊区域之间的结构，给出估计方法及收敛率，并通过理论、模拟和数据例子展示稳健性。
- 阅读关注点
- 应核对类别覆盖水平的概率定义、模糊区域的优化目标、最优解条件，以及条件概率估计误差如何影响覆盖与收敛。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明有限样本覆盖保障及稳健性的具体含义，不能将其直接等同于常规置信区间。
原文摘要
A framework for classification is developed with a notion of confidence. In this framework, a classifier consists of two tolerance regions in the predictor space, with a specified coverage level for each class. The classifier also produces an ambiguous region where the classification needs further investigation. Theoretical analysis reveals interesting structures of the confidence-ambiguity trade-off, and the optimal solution is characterized by extending the Neyman–Pearson lemma. We provide general estimating procedures, along with rates of convergence, based on estimates of the conditional probabilities. The method can be easily implemented with good robustness, as illustrated through theory, simulation and a data example.