.png){kind=icon}
返回
On high-dimensional classification by sparse generalized Bayesian logistic regression
.png){kind=icon}
OA
AI
DOI：10.1007/s00362-025-01793-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过探索在稀疏诱导先验分布下的广义贝叶斯逻辑回归方法，解决了高维分类问题。该方法涉及利用似然的分数幂，得到分数后验分布。我们的研究获得了分数后验分布的收敛性结果，不仅针对预测变量和响应变量的联合分布，也针对回归系数。随后，我们推导出关于稀疏广义贝叶斯逻辑回归下误分类超额风险界的全新发现。我们的结果表明该方法能够适应未知的稀疏水平。这些结果与频率学派文献中关于惩罚方法的近期发现一致，同时所需假设更少。此外，我们还进行了针对模型误设定的分析。通过模拟和真实数据分析验证了我们的理论结果。
Keyword:
Logistic regression
Binary classification
High-dimensional regression
Fractional posterior
Concentration rate
Misclassification excess risk
Sparsity
期刊
S
IF:
1.1
论文数:
97
被引数:
0
机构
引用论文
分享收藏NEEDLES AND STRAW IN A HAYSTACK: POSTERIOR CONCENTRATION FOR POSSIBLY SPARSE SEQUENCES.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Some theory for Fisher's linear discriminant function, `naive Bayes', and some alternatives when there are many more variables than observationsBernoulliOAAI
BernoulliIF0
OAAI分享收藏分享收藏分享收藏
查看更多内容