统计学习的风险界
统计理论
2016-08-14 v1 统计理论
摘要
我们提出一个提供经验风险最小化器（ERM）风险上界的一般性定理。我们主要关注二分类框架。通过使用针对方便加权的经验过程的集中不等式，我们扩展了 Tsybakov 在间隔型条件下对 ERM 风险的分析。这使得我们能够处理衡量分类器类“大小”的方式，而非如 Tsybakov 工作中那样使用括号熵。特别地，我们导出了当分类规则在间隔条件下属于某个 VC-类时 ERM 的新风险界，并讨论了这些界在极小极大意义下的最优性。
引用
@article{arxiv.math/0702683,
title = {Risk bounds for statistical learning},
author = {Pascal Massart and Élodie Nédélec},
journal= {arXiv preprint arXiv:math/0702683},
year = {2016}
}
备注
Published at http://dx.doi.org/10.1214/009053606000000786 in the Annals of Statistics (http://www.imstat.org/aos/) by the Institute of Mathematical Statistics (http://www.imstat.org)