TL;DR
- چکیده:.
- انتخاب مدل در رگرسیون جریمهشده بهطور بحرانی به ارزیابی دقیق پیچیدگی مدل بستگی دارد که معمولاً از طریق.
- درجات آزادی مؤثر اندازهگیری میشود.
چه اتفاقی افتاد
چکیده:. انتخاب مدل در رگرسیون جریمهشده بهطور بحرانی به ارزیابی دقیق پیچیدگی مدل بستگی دارد که معمولاً از طریق.
درجات آزادی مؤثر اندازهگیری میشود. در حالی که کمند یک توصیف ساده و بیطرفانه را میپذیرد،.
که با اندازه مجموعه فعال ارائه میشود،. این ویژگی به روشهای جریمهسازی تطبیقی گسترش نمییابد،.
علیرغم استفاده گسترده از این تقریب در عمل. برای حل این مسئله،.
در این مقاله ما یک تخمینگر بیطرفانه جدید از درجات آزادی مؤثر برای کمند تطبیقی در چارچوب تخمین. ریسک بیطرفانه استاین استخراج میکنیم.
تجزیه و تحلیل ما اصطلاحات اضافی ناشی از جریمهسازی وابسته به داده را نشان میدهد،. که نقش وزنهای تطبیقی و منظمسازی را در تعیین پیچیدگی مدل منعکس میکند.
ما بیشتر از گروه کمند بازبینی میکنیم و یک مشتق جایگزین از درجات آزادی آن ارائه میکنیم و. اینها را گسترش میدهیم نتایج به گروه تطبیقی کمند.
مهمتر از همه،. ما رفتار درجات آزادی را در امتداد مسیر منظمسازی فراتر از تنظیمات طراحی متعارف که معمولاً در ادبیات.
فرض میشود،. توصیف میکنیم و توصیف نظری جدیدی از این رفتار تحت ماتریسهای طراحی کلی ارائه میکنیم.
با تصحیح سوء استفاده رایج از اندازه مجموعه فعال بهعنوان یک پروکسی برای درجات آزادی،. نتایج ما تخمین و استنتاج ریسک قابل اعتمادتری را امکانپذیر میکند و پایه دقیقتری برای درک پیچیدگی مدل.
در رگرسیون جریمهشده تطبیقی ارائه میدهد. روش شناسی (stat.
ME); نظریه آمار (math. ST) استناد بهعنوان: (یا v3 [stat.
ME] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Marco Stefanucci [مشاهده ایمیل] [v1] چهارشنبه،. 26 نوامبر 2025،.
17:. 12:.
21 UTC (163 KB) [v2] یکشنبه،. 1 فوریه 2026،.
17:. 46:.
15 UTC (160 KB) [v3] جمعه،. 3 آوریل 2026،.
07:. 52:.
28 UTC (175 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.