Statistical Science· 2026Q1
Komşuluk Çapraz Doğrulaması Üzerine
On Neighbourhood Cross Validation
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
Cezalı regresyon hiperparametreleri için çapraz doğrulama kriterlerini verimli bir şekilde hesaplayan ve optimize eden yeni bir yöntem, hesaplama maliyetini tek bir model uydurma maliyetine indiriyor ve modellenmemiş otokorelasyon için bırak-komşuluk çapraz doğrulamayı mümkün kılıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Cezalı regresyon hiperparametreleri için çapraz doğrulama kriterlerinin verimli hesaplanması ve optimizasyonu artık mümkün.
- Hesaplama maliyeti, tek bir model uydurma maliyetine yaklaştırılır, bu da n veri noktası için O(n) tasarruf anlamına gelir.
- Modelenmemiş kısa menzilli otokorelasyonu ele almak için bırak-komşuluk çapraz doğrulamayı mümkün kılar.
- Modelenmemiş otokorelasyon olsa bile doğru belirsizlik ölçümü elde edilebilir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Many varieties of cross validation would be statistically appealing for the estimation of smoothing and other penalized regression hyperparameters, were it not for the high cost of evaluating such criteria. Here it is shown how to efficiently and accurately compute and optimize a broad variety of cross validation criteria for a wide range of regression models estimated by minimizing a quadratically penalized loss. The leading order computational cost of hyperparameter estimation is made comparable to the cost of a single model fit given hyperparameters. In many cases this represents an O(n) computational saving when modelling n data. The methods make it feasible, for the first time, to use leave-out-neighbourhood cross validation to deal with the widespread problem of un-modelled short range autocorrelation, which otherwise leads to underestimation of smoothing parameters. It is also shown how to accurately quantify uncertainty in this case, despite the un-modelled autocorrelation. Practical examples are provided, including smooth quantile regression, generalized additive models for location scale and shape, and focussing particularly on dealing with un-modelled autocorrelation.
Yazarların özeti; kaynağından alınmıştır. Statistical Science, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: İstatistik ve Olasılık
Statistics and ProbabilityMathematics