Qualcuno può indicarmi un documento del sondaggio sui risultati "Grande , Piccola n "? Sono interessato a come questo problema si manifesta in diversi contesti di ricerca, ad esempio regressione, classificazione, test di Hotelling, ecc .
Qualcuno può indicarmi un documento del sondaggio sui risultati "Grande , Piccola n "? Sono interessato a come questo problema si manifesta in diversi contesti di ricerca, ad esempio regressione, classificazione, test di Hotelling, ecc .
Risposte:
Non conosco un singolo documento, ma penso che l'attuale libro con il miglior sondaggio sui metodi applicabili a sia ancora Friedman-Hastie-Tibshirani. È molto parziale il restringimento e il lazo (so da una conoscenza comune che Vapnik era sconvolto alla prima edizione del libro), ma copre quasi tutti i metodi di restringimento comuni e mostra la loro connessione con Boosting. Parlando di Boosting, il sondaggio di Buhlmann & Hothorn mostra anche la connessione al restringimento.
La mia impressione è che, sebbene la classificazione e la regressione possano essere analizzate utilizzando lo stesso framework teorico, i test per i dati ad alta dimensione sono diversi, poiché non vengono utilizzati insieme alle procedure di selezione dei modelli, ma si concentrano piuttosto sui tassi di errore a livello familiare. Non sono così sicuro dei migliori sondaggi lì. Brad Efron ha un sacco di documenti / sondaggi / libri sulla sua pagina . Leggili tutti e fammi sapere quello che dovrei davvero leggere ...
Cosa intendi per "risultato" risultato teorico? o risultati numerici?
Mi piacciono le recensioni di Jianqing Fan che vedono ad esempio questo e questo sulla classificazione (molte citazioni di sé).
Inoltre ci sono documenti non di revisione che fanno una ricca recensione in introduzione, vedi ad esempio questo e questo .
Se vuoi un curriculum forse questo è il meglio che puoi ottenere
http://www.springer.com/statistics/statistical+theory+and+methods/book/978-3-642-20191-2
Il capitolo 18 di Hastie, Tibshirani e Friedman (12a stampa / seconda edizione, questo capitolo non era nella prima edizione) è una bella panoramica con alcuni set di dati interessanti. Non è così accurato come il loro trattamento di materiale più vecchio, e molte volte devono dare spiegazioni un po 'euristiche sul perché alcuni algoritmi funzionano meglio di altri. L'ho trovato molto utile abbinato alla lettura di articoli per cose che vuoi conoscere più in profondità.