机构名称：
¥ 4.0
我们认为，使用统计决策理论（SDT）进行全面的样本外（OO）评估，应取代机器学习（ML）预测研究中K折叠和常见任务框架验证的当前实践。SDT提供了一个正式的常见框架，用于在所有可能的（1）培训样本中执行全面的OOS评估，（2）可能会生成培训数据的人群，以及（3）预测兴趣的种群。关于特征（3），我们强调，SDT要求从业者直接面对未来看起来不像过去的可能性，并在构建预测算法时可能需要从一个人群推断到另一个人群。SDT在抽象方面很简单，但通常在计算上要求实施。，当通过均方误差或通过错误分类速率衡量预测准确性时，我们讨论了SDT的可行实施进度。我们总结了研究设置，其中将从预测感兴趣的人群的亚群中产生培训数据。我们考虑条件预测，并对可能生成培训数据的可能人群的状态空间进行了替代限制。我们提出了该方法的说明性应用于预测患者疾病以告知临床决策的问题。我们通过呼吁ML研究人员，计量经济学家和统计学家来扩大实施SDT是可行的领域的结论。我们有机会在西北大学和芝加哥大学的研讨会以及布朗大学和康奈尔大学会议上介绍这项工作。
具有统计决策理论的预测算法的全面评估
主要关键词
相关文件推荐
