.png){kind=icon}
返回
Cross-validation with antithetic Gaussian randomization
.png){kind=icon}
PRE
AI
DOI：10.1093/jrsssb/qkag073.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍了一种基于等协方差高斯随机化方案的新型交叉验证（CV）方法。我们的方法适用于样本分割不可行的问题，无论是由于数据违反独立同分布样本的假设，还是由于样本量不足无法形成代表性的训练-测试数据对。在这些问题中，我们的方法提供了一种简单、合理且计算高效地估计预测误差的途径，通常在仅需少量重复次数的情况下优于标准CV。借鉴数据分裂和数据稀疏化等近期分割技术，我们的方法通过高斯随机化构建训练-测试数据对。我们的主要贡献是引入了一种对立高斯随机化方案，涉及对随机化变量之间的精心设计的相关结构。我们理论证明，这种对立构造可以消除广泛平滑预测函数类别的CV偏差，而不会增加方差。通过多种数据类型和损失函数的模拟，我们证明我们的估计器在预测误差估计方面优于现有方法。
Keyword:
antithetic sampling
cross-validation
data fission
data splitting
model selection
variance reduction
期刊
J
IF:
3.6
论文数:
1.5K
被引数:
3.2W
机构
引用论文
Unbiased risk estimation in the normal means problem via coupled bootstrap techniques耦合自助法技术在正态均值问题中的无偏风险估计.png)
IF0
PREAI
分享收藏
查看更多内容