論文の概要: Comparing Two Categorical Gini Correlations with Applications to Classification Problems

• arxiv url: http://arxiv.org/abs/2605.17763v1
• Date: Mon, 18 May 2026 02:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.599167
• Title: Comparing Two Categorical Gini Correlations with Applications to Classification Problems
• Title（参考訳）: 2つのカテゴリー的ジニ相関と分類問題への応用の比較
• Authors: Sameera Hewage, Yongli Sang,
• Abstract要約: 本稿では,分類問題における予測的重要性をカテゴリー的応答変数と比較するための推論フレームワークを提案する。 この手法は、数値予測器と分類結果の依存性の尺度であるカテゴリー的ジニ相関(CGC)に基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article proposes an inferential framework for comparing predictor importance in classification problems with categorical response variables. The approach is based on the categorical Gini correlation (CGC) proposed by Dang et al. (2020), a measure of dependence between numerical predictors and categorical outcomes. Predictor importance is evaluated by testing differences in CGCs across competing predictor groups. The proposed methodology accommodates predictors of arbitrary and unequal dimensions and allows for dependence between predictor groups. Asymptotic normality of the test statistic is established under both the null and alternative hypotheses, and the resulting test is shown to be consistent. In addition to deriving the asymptotic distribution, a nonparametric bootstrap procedure is developed as an alternative approach to inference. Simulation studies, along with applications to breast cancer and human activity recognition datasets, demonstrate the effectiveness of the proposed framework.
• Abstract（参考訳）: 本稿では,分類問題における予測的重要性をカテゴリー的応答変数と比較するための推論フレームワークを提案する。 この手法は、Dang et al (2020) が提唱したカテゴリー的ジニ相関(CGC)に基づいており、数値予測器とカテゴリー的結果の依存性の尺度である。 予測器の重要性は、競合する予測器群間でのCGCの違いをテストすることによって評価される。 提案手法は任意の次元と不等次元の予測器に対応し、予測器群間の依存を可能にする。 テスト統計学の漸近正規性は、ヌル仮説とオルタナティブ仮説の両方の下で確立され、結果として得られるテストは一貫性があることが示されている。 漸近分布の導出に加えて、推論の代替手法として非パラメトリックブートストラップ法が開発されている。 シミュレーション研究は、乳がんおよびヒト活動認識データセットへの応用とともに、提案フレームワークの有効性を実証する。

関連論文リスト

• Pre-validation Revisited [79.92204034170092]
  シミュレーションと応用による予測,推測,誤差推定における事前検証の特性と利点を示す。 そこで本研究では, あるモデル下での事前検証予測のためのテスト統計量の解析的分布だけでなく, 推論を行うための一般的なブートストラップ手順も提案する。
  論文  参考訳（メタデータ） (2025-05-21T00:20:14Z)
• Generalized coarsened confounding for causal effects: a large-sample framework [3.9483979013722683]
  共起のための一般化された粗い手続きのクラスを考える。 一般化された粗大化共役のための2つの新しいアルゴリズムを提案する。 バイアス補正手法を提案し, 提案手法を2つのよく知られた観測研究データに適用する。
  論文  参考訳（メタデータ） (2025-01-06T16:47:24Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Logistic Regression Equivalence: A Framework for Comparing Logistic Regression Models Across Populations [4.518012967046983]
  本研究は, 個体群差に対する既定寛容レベルの同値試験が, 推論の精度を高めることを論じる。 診断データについては、等価モデルと等価でないモデルの例を示す。
  論文  参考訳（メタデータ） (2023-03-23T15:12:52Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Conditional canonical correlation estimation based on covariates with random forests [0.0]
  本研究では,2つの変数間の条件付き正準相関を推定するRFCCAを用いたランダムフォレスト(Random Forest)を提案する。 提案手法と大域的意義試験は,精度の高い正準相関推定とよく制御されたType-1誤差を提供するシミュレーション研究によって評価される。
  論文  参考訳（メタデータ） (2020-11-23T17:09:46Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Achieving Equalized Odds by Resampling Sensitive Attributes [13.114114427206678]
  等価性の概念をほぼ満足する予測モデルを学習するためのフレキシブルなフレームワークを提案する。 この微分可能な関数は、モデルパラメータを等化奇数に向けて駆動するペナルティとして使用される。 本研究は,予測規則が本性質に反するか否かを検出するための公式な仮説テストを開発する。
  論文  参考訳（メタデータ） (2020-06-08T00:18:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。