AI 词汇表
人工智能完整词典
袋外误差
在自助抽样过程中未选中的观测值上计算的验证误差，构成模型泛化误差的无偏估计。在集成方法（如随机森林）中，袋外误差可作为交叉验证的替代方案。
自助聚合（装袋法）
一种集成方法，在多个自助样本上训练多个模型，并通过多数投票或平均来组合它们的预测，以减少方差并提高预测稳定性。装袋法对于决策树等不稳定算法特别有效。
自助置信区间
通过自助重抽样估计的置信区间，用于量化模型参数或性能指标的不确定性。存在多种方法：百分位数法、BCa法和基本自助区间法。
刀切法验证
一种系统重抽样技术，依次省略每个观测值以估计估计量的偏差和方差，被视为自助法的近似。刀切法计算成本较低，但比自助法灵活性差。
置换验证
一种非参数验证方法，通过随机置换目标标签来创建性能的零分布，从而评估模型的统计显著性。该技术可用于测试模型是否真正学习到了有意义的模式。
自助偏差校正
使用自助法来估计和校正估计量或模型评估指标的偏差的过程。这种校正提高了估计的准确性，特别是在小样本上。
BCa自助法（偏差校正和加速）
一种高级自助方法，通过校正自助分布的偏差和加速（偏度）来调整置信区间。BCa提供的区间比标准百分位数法更精确。
参数自助法
自助法的一种变体，其中样本是从拟合数据的参数分布生成的，而不是直接重抽样。当数据的底层模型已知或假设时，此方法很有用。
非参数Bootstrap
经典的bootstrap方法，直接从观测数据中进行有放回的重新抽样，无需对基础分布做任何假设。这种方法更加灵活，对分布假设的违反具有鲁棒性。
Bootstrap抽样分布
通过在多个bootstrap样本上计算统计量得到的统计量经验分布，用于估计估计量的变异性和渐近性质。该分布构成了bootstrap推断的基础。
Bootstrap标准误
统计量标准误的估计，计算为其bootstrap分布的标准差，提供了一种对分布假设具有鲁棒性的精度度量。这种估计对于复杂统计量特别有用。
Bootstrap假设检验
使用bootstrap生成零假设下的分布并以非参数方式计算p值的假设检验方法。该方法避免了渐近近似，适用于复杂的检验统计量。
Bootstrap模型选择
使用bootstrap评估不同候选模型在多个重抽样样本上的稳定性和相对性能的模型选择过程。这种方法量化了选择过程本身的不确定性。
Bootstrap功效分析
通过在假设的不同备择假设下模拟多个bootstrap样本来评估检验或模型的统计功效。该方法可以在没有限制性分布假设的情况下估计所需的样本量。
Bootstrap校准
使用bootstrap估计并校正分类模型预测概率的校准偏差的调整技术。该方法提高了模型概率分数的可靠性。
Bootstrap集成方法
结合bootstrap和聚合来降低预测方差的算法家族，包括随机森林、极端随机树和其他基于bootstrap样本的方法。这些方法利用了重抽样创建的多样性。
Bootstrap特征重要性
通过多个bootstrap样本评估变量对模型性能的影响来衡量变量重要性，为重要性提供置信区间。该方法量化了特征重要性的稳定性。
Bootstrap模型稳定性
通过不同bootstrap样本上模型预测或参数的一致性来评估模型稳健性的度量。稳定性对于模型在实际部署中的可信度至关重要。
Bootstrap.632+
bootstrap的高级变体，通过将bootstrap误差和表观误差以0.632的权重结合来校正误差估计的乐观偏差，并针对过拟合进行调整。该方法提供更准确的误差估计。