• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Information Theory >Model selection for CART regression trees
【24h】

Model selection for CART regression trees

机译：CART回归树的模型选择

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The performance of the classification and regression trees (CART) pruning algorithm and the final discrete selection by test sample as a functional estimation procedure are considered. The validation of the pruning procedure applied to Gaussian and bounded regression is of primary interest. On the one hand, the paper shows that the complexity penalty used in the pruning algorithm is valid in both cases and, on the other hand, that, conditionally to the construction of the maximal tree, the final selection does not alter dramatically the estimation accuracy of the regression function. In both cases, the risk bounds that are proved, obtained by using the penalized model selection, validate the CART algorithm which is used in many applications such as meteorology, biology, medicine, pollution monitoring, or image coding.
机译：考虑了分类和回归树（CART）修剪算法的性能，以及作为功能估计程序的测试样本的最终离散选择。应用于高斯和有界回归的修剪过程的验证是最重要的。一方面，本文表明修剪算法中使用的复杂度惩罚在两种情况下都是有效的，另一方面，在构造最大树的条件下，最终选择不会显着改变估计精度回归函数在这两种情况下，通过使用罚分模型选择获得的已证明的风险边界可验证CART算法，该算法已在许多应用中使用，例如气象，生物学，医学，污染监测或图像编码。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号