.png){kind=icon}
返回
Boosting Prediction with Data Missing Not at Random
.png){kind=icon}
PRE
AI
DOI：10.1080/10618600.2025.2541012.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过去三十年间，提升方法已发展成为一种有用的机器学习技术，并吸引了日益增多的关注。然而，该领域的大多数进展主要侧重于数值实现过程，往往缺乏严谨的理论依据。此外，这些方法通常是为具有完全观测数据的数据集设计的，而缺失观测值的存在会损害其有效性。在本文中，我们采用半参数估计方法，针对具有缺失响应的数据开发提升预测方法。我们探索了两种调整损失函数以考虑缺失效应的策略。所提出的方法采用函数梯度下降算法实现，并严格确立了其理论性质，包括算法收敛性和估计量一致性。数值研究显示，所提出的方法在有限样本设置下表现良好。本文的补充材料可在线获取。
Keyword:
Adjusted loss function
Boosting
Consistency
Missing data
Semiparametric estimation
期刊
J
IF:
1.8
论文数:
138
被引数:
6.4K
.png){kind=icon}
查看更多内容