.png){kind=icon}
返回
Multi-resolution subsampling for linear classification with massive data
.png){kind=icon}
PRE
AI
DOI：10.1093/jrsssb/qkaf017.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
子采样是大数据时代平衡统计效率和计算效率的一种流行方法。大多数方法旨在选择信息丰富或具有代表性的样本点，以实现完整数据集的良好整体信息。本研究认为，采样技术应推荐用于我们关注的区域，而根据精心设计的数据划分，汇总指标足以收集其余区域的信息。我们提出了一种子采样策略，该策略通过汇总指标收集全局信息，并通过选定的子样本点获取局部信息。因此，我们称之为多分辨率子采样。我们证明，所提出的方法可为一般线性分类问题提供更高效的基于子样本的估计量。建立了所提出方法的一些渐近性质，并探讨了其与现有子采样程序的关联。最后，我们通过模拟和真实世界示例说明了所提出的子采样策略。
Keyword:
classification
linear projection
M-estimator
optimal design
Rao-Blackwellization
期刊
J
IF:
3.6
论文数:
1.5K
被引数:
3.4W
机构
引用论文
Sequential One-step Estimator by Sub-sampling for Customer Churn Analysis with Massive Data sets
PREAI
分享收藏Searching for exotic particles in high-energy physics with deep learning用深度学习寻找高能物理中的奇异粒子.png)
NATURE COMMUNICATIONS
NATURE COMMUNICATIONSIF15.7
PREAI
分享收藏
Variable Selection for Gaussian Process Models using Experimental Design-Based Subagging基于实验设计子袋法的高斯过程模型变量选择
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容