Czy ktoś może skierować mnie do ankiety na temat wyników „Duże , Małe n ”? Interesuje mnie, jak ten problem objawia się w różnych kontekstach badawczych, np. Regresji, klasyfikacji, teście Hotellinga itp .
źródło
Czy ktoś może skierować mnie do ankiety na temat wyników „Duże , Małe n ”? Interesuje mnie, jak ten problem objawia się w różnych kontekstach badawczych, np. Regresji, klasyfikacji, teście Hotellinga itp .
Nie znam ani jednego artykułu, ale myślę, że obecna książka z najlepszym przeglądem metod mających zastosowanie do to wciąż Friedman-Hastie-Tibshirani. Skurcz i lasso są bardzo częściowe (wiem od wspólnego znajomego, że Vapnik był zdenerwowany podczas pierwszego wydania książki), ale obejmuje prawie wszystkie powszechne metody skurczu i pokazuje ich związek z Wzmocnieniem. Mówiąc o wzmocnieniu, badanie Buhlmann & Hothorn pokazuje również związek ze skurczem.
Mam wrażenie, że chociaż klasyfikację i regresję można analizować przy użyciu tej samej struktury teoretycznej, testowanie danych wielowymiarowych jest inne, ponieważ nie jest ono stosowane w połączeniu z procedurami wyboru modelu, ale raczej koncentruje się na rodzinnych wskaźnikach błędów. Nie jestem pewien co do najlepszych ankiet. Brad Efron ma na swojej stronie mnóstwo artykułów / ankiet / książek . Przeczytaj je wszystkie i daj mi znać ten, który powinienem naprawdę przeczytać ...
Co rozumiesz przez „wynik” teoretyczny wynik? lub wyniki liczbowe?
Podobają mi się recenzje Jianqing Fan, które widzą na przykład ten i ten na temat klasyfikacji (wiele samodzielnych cytowań).
Istnieją również artykuły, które nie zawierają recenzji, które zawierają bogatą recenzję we wstępie, patrz na przykład ten i ten .
Jeśli chcesz wznowić, być może jest to najlepsze, co możesz uzyskać
http://www.springer.com/statistics/statistic+theory+and+methods/book/978-3-642-20191-2
Rozdział 18 Hastie, Tibshirani i Friedman (12 wydanie / drugie wydanie, tego rozdziału nie było w pierwszym wydaniu) to ładny przegląd z kilkoma interesującymi zestawami danych. Nie jest to tak dokładne, jak ich przetwarzanie starszego materiału, i przez większość czasu muszą oni podawać nieco heurystyczne wyjaśnienia, dlaczego niektóre algorytmy działają lepiej niż inne. Uważam, że jest to bardzo przydatne w połączeniu z artykułami do czytania dla rzeczy, które chcesz wiedzieć bardziej szczegółowo.