彼得·伯尔曼;于斌 （L_2）损失增加：回归和分类。 （英语） Zbl 1041.62029号 美国统计协会。 98，编号462，324-339（2003）。 小结：本文研究了boosting的一个计算上简单的变体，即（L_2）Boost，它是由带有（L_2-损失函数的函数梯度下降算法构造的。与其他boosting算法一样，Boost以迭代的方式多次使用预先选择的拟合方法，称为学习器。基于L_2 Boost残差重装的显式表达式，在回归和分类中详细研究了（对称）线性学习器的情况。特别是，使用boosting迭代（m）作为平滑或正则化参数，发现了一种新的指数偏差-方差权衡，随着（m）趋于无穷大，方差（复杂性）项的增长非常缓慢。当学习者是一个平滑样条时，回归和分类都有一个最佳的收敛速度，而增强的平滑样条甚至可以适应高阶未知平滑。此外，还导出了（平滑的）0-1损失函数的简单展开式，以揭示决策边界的重要性、偏差减少以及在分类中不可能进行加性偏差-方差分解。最后，通过仿真和实际数据集结果证明了L_2 Boost的吸引力。特别地，我们证明了在存在高维预测器的情况下，使用新型分量三次平滑样条的（L_2）Boosting既实用又有效。 引用于1审查引用于153文件 MSC公司： 62克08 非参数回归和分位数回归 62小时30分 分类和区分；聚类分析（统计方面） 关键词：函数梯度下降;logitBoost（逻辑增强）;最小最大错误率;非参数分类;平滑样条曲线 PDF格式BibTeX公司 XML格式引用 \textit{P.Bühlmann}和\textit{B.Yu}，《美国统计协会杂志》，第98期，第462、324--339号（2003；Zbl 1041.62029） 全文： 内政部