阿林达姆·查特吉;霍尔，彼得 当有用信息来自许多甚至所有功能时，进行高维分类。 （英语） Zbl 1462.62377号 J.印度统计协会。 50，编号1-2，51-82（2012）. 摘要：在分析高维数据时，通常会将维数从数千或数万减少到更小的数字，通常在5到20之间。这样大幅度减少的一个原因是为了减少问题的概念难度。这一困难突显出，模型需要允许少量特征提供大多数可用于分类的信息，但允许更多的特征（实际上可能是所有特征）提供更高级别性能所需的其余信息。在这种情况下，推断几乎必然涉及显著的非线性方面。本文基于贝叶斯规则分类器的经验近似，并引入自适应特征选择来优化性能，提出了这类方法。这种固有的非线性方法使该方法能够利用特征之间的任何交互作用，从而提高分类器的准确性。该方法是循序渐进的，包括稳步构建一个复杂性不断增加的模型，当经验误差度量表明进一步的复杂性只会降低性能时停止。 MSC公司： 62H30型 分类和区分；聚类分析（统计方面） 62C12号机组 经验决策程序；经验贝叶斯程序 62F07型 统计排名和选择程序 62克07 密度估算 关键词：贝叶斯规则;密度估计;特征选择;内核方法;似然比;变量选择 PDF格式BibTeX公司 XML格式引用 \textit{A.Chatterjee}和\textit{P.Hall}，J.Indian Stat.Assoc.50，No.1--2，51-82（2012；Zbl 1462.62377）