Adakah yang bisa mengarahkan saya ke makalah survei tentang hasil "Large , Small "? Saya tertarik pada bagaimana masalah ini memanifestasikan dirinya dalam konteks penelitian yang berbeda, misalnya regresi, klasifikasi, tes Hotelling, dll .
Adakah yang bisa mengarahkan saya ke makalah survei tentang hasil "Large , Small "? Saya tertarik pada bagaimana masalah ini memanifestasikan dirinya dalam konteks penelitian yang berbeda, misalnya regresi, klasifikasi, tes Hotelling, dll .
Jawaban:
Saya tidak tahu satu makalah, tapi saya pikir buku saat ini dengan survei terbaik tentang metode yang berlaku untuk masih Friedman-Hastie-Tibshirani. Sangat parsial untuk susut dan laso (saya tahu dari seorang kenalan yang sama bahwa Vapnik kesal pada edisi pertama buku ini), tetapi mencakup hampir semua metode penyusutan umum dan menunjukkan hubungannya dengan Boosting. Berbicara tentang Boosting, survei Buhlmann & Hothorn juga menunjukkan hubungan dengan penyusutan.
Kesan saya adalah bahwa, sementara klasifikasi dan regresi dapat dianalisis dengan menggunakan kerangka teori yang sama, pengujian untuk data dimensi tinggi berbeda, karena itu tidak digunakan bersama dengan prosedur pemilihan model, tetapi lebih berfokus pada tingkat kesalahan berdasarkan keluarga. Tidak begitu yakin tentang survei terbaik di sana. Brad Efron memiliki banyak makalah / survei / buku di halamannya . Baca semuanya dan beri tahu saya yang harus saya baca ...
Apa yang Anda maksud dengan hasil teoritis "hasil"? atau hasil numerik?
Saya suka ulasan dari Jianqing Fan lihat misalnya ini dan ini pada klasifikasi (banyak kutipan sendiri).
Juga ada makalah non review yang membuat review kaya di pendahuluan, lihat misalnya ini dan ini .
Jika Anda ingin resume mungkin ini yang terbaik yang bisa Anda dapatkan
http://www.springer.com/statistics/statistics+theory+and+methods/book/978-3-642-20191-2
Bab 18 dari Hastie, Tibshirani, dan Friedman (cetakan ke-12 / edisi kedua, bab ini bukan di edisi pertama) adalah ikhtisar yang bagus dengan beberapa set data yang menarik. Ini tidak selengkap perlakuan mereka terhadap materi yang lebih tua, dan banyak waktu mereka harus memberikan penjelasan heuristik tentang mengapa algoritma tertentu bekerja lebih baik daripada yang lain. Saya menemukannya sangat berguna ditambah dengan membaca makalah untuk hal-hal yang ingin Anda ketahui lebih mendalam.