PulseAugur
中
实时 04:08:33
English(EN) Comparing Two Categorical Gini Correlations with Applications to Classification Problems

新框架比较分类中的预测变量重要性

作者 PulseAugur 编辑部 · [2 个来源] ·

提出了一种新的统计框架，用于比较具有分类结果的分类任务中的预测变量重要性。该方法利用分类基尼相关性（CGC）来评估数值预测变量与分类结果之间的依赖性。这种方法可以处理不同维度和依赖性的预测变量，并对其统计特性进行了分析，包括渐近正态性和一致性，还提供了一种非参数自举程序用于推断。 AI

影响 为评估分类问题中的预测变量重要性引入了一种新颖的统计方法，有望提高AI应用中的模型可解释性和特征选择。

排序理由 阐述新统计方法的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架比较分类中的预测变量重要性

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Sameera Hewage, Yongli Sang ·

    比较两种分类基尼相关性及其在分类问题中的应用

    arXiv:2605.17763v1 Announce Type: cross Abstract: This article proposes an inferential framework for comparing predictor importance in classification problems with categorical response variables. The approach is based on the categorical Gini correlation (CGC) proposed by Dang et …

  2. arXiv stat.ML TIER_1 English(EN) · Yongli Sang ·

    比较两种分类基尼相关性及其在分类问题中的应用

    This article proposes an inferential framework for comparing predictor importance in classification problems with categorical response variables. The approach is based on the categorical Gini correlation (CGC) proposed by Dang et al. (2020), a measure of dependence between numeri…

相关话题