统计学 > 机器学习
[提交于 2023年2月21日
(v1)
,最后修订 2024年5月9日 (此版本, v2)]
标题: 机器学习模型参数的有效推断
标题: Valid Inference for Machine Learning Model Parameters
摘要: 机器学习模型的参数通常是通过在一组训练数据上最小化损失函数来学习的。 然而,这可能会带来过拟合的风险;为了使模型能够良好泛化,我们能够找到整个总体上的最优参数非常重要——而不仅仅是给定的训练样本上的最优参数。 在本文中,我们构建了这种机器学习模型最优参数的有效置信集,这些置信集仅使用训练数据即可生成,而无需了解总体。 然后我们表明,研究这个置信集的分布可以使我们为参数空间中的任意区域赋予一种置信度,并且我们证明了可以使用自助法技术很好地近似这种分布。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.