乔瓦尼·切鲁宾 共形预测因子的多数投票集合。 （英语） Zbl 1482.68193号 机器。学习。 108，第3号，475-488（2019）. 摘要：我们研究了有效共形预测因子（CP）的多数票集合。我们证明了作为（k）独立（varepsilon）有效CP的预测集（varGamma ^ \eta）中的大多数投票产生的预测集对于某些显著性水平（eta）也是有效的；我们提供了一种计算\（\varepsilon\）以实现所需\（\eta \）的方法。我们进一步指出了相关CP集合的误差上界，并导出了一个值（varepsilon），该值的集合保证了（eta）保守性有效性。我们根据经验评估我们的发现，并将其与合并CP预测的替代策略进行比较。 MSC公司： 68T05型 人工智能中的学习和自适应系统 62G15年 非参数容差和置信区域 62H30型 分类和区分；聚类分析（统计方面） 91B14号机组 社会选择 关键词：保角预测;合奏;多数票;误差界限 软件：CIFAR公司;github;不墨守成规者;Scikit公司;UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{G.切鲁宾}，马赫。学习。108，第3号，475--488（2019；Zbl 1482.68193） 全文： 内政部 参考文献： [1] Balasubramanian，V.N.、Chakraborty，S.和Panchanathan，S.（2015）。信息融合的保角预测。《数学与人工智能年鉴》，74（1-2），45-65·Zbl 1331.68180号 ·doi:10.1007/s10472-013-9392-4 [2] Cherubin.G.和Nouretdinov，I.（2016）。具有置信度的隐马尔可夫模型。在保角和概率预测及其应用研讨会上，（第128-144页），Springer。 [3] Dheeru，D.和Karra Taniskidou，E.（2017年）。UCI机器学习库。http://archive.ics.uci.edu/ml。 [4] Johansson，U.、Bostrom，H.和Lofstrom，T.（2013年）。使用决策树进行保角预测。IEEE第13届国际数据挖掘会议（ICDM），2013年，IEEE，（第330-339页）。 [5] Krizhevsky，A.和Hinton，G.（2009年）。从微小图像中学习多层特征。多伦多大学技术报告。 [6] Kuncheva，L.I.和Whitaker，C.J.（2003）。分类器集合中的多样性度量及其与集合精度的关系。机器学习，51（2），181-207·Zbl 1027.68113号 ·doi:10.1023/A:1022859003006 [7] Kuncheva，L.I.、Whitaker，C.J.、Shipp，C.A.和Duin，R.P.（2003）。分类器融合中多数投票准确性的限制。模式分析与应用，6（1），22-31·Zbl 1035.68101号 ·doi:10.1007/s10044-002-0173-7 [8] Linusson，H.（2015）。符合形预测框架的非符合形、python实现。https://github.com/donlnz/nocformist。 [9] Linusson，H.、Norinder，U.、Boström，H.，Johansson，U.和Löfström，T.（2017）。关于聚合共形预测因子的校准。机器学习研究论文集。 [10] Pedregosa，F.、Varoqueux，G.、Gramfort，A.、Michel，V.、Thirion，B.、Grisel，O.等人（2011年）。Scikit-learn：Python中的机器学习。《机器学习研究杂志》，122825-2830·Zbl 1280.68189号 [11] Toccaceli，P.和Gammerman，A.（2017年）。分类的保角预测组合。机器学习研究论文集·Zbl 1482.68207号 [12] Vovk，V.、Gammerman，A.和Shafer，G.（2005）。随机世界中的算法学习。纽约：斯普林格·Zbl 1105.68052号 [13] Vovk，V.、Fedorova，V.，Nouretdinov，I.和Gammerman，A.（2016）。保角预测的效率标准。在保角和概率预测及其应用研讨会上，（第23-39页），Springer·Zbl 1422.68208号 [14] Yule，G.（1900）。关于统计学中属性的关联。《皇家学会哲学学报》，194257-319·doi:10.1098/rsta.1900.0019 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。