Zusammenfassung der Ergebnisse von „Large p, Small n“

Kann mich jemand auf ein Umfragepapier zu "Large , Small n " -Ergebnissen verweisen ? Ich bin daran interessiert, wie dieses Problem manifestiert sich in verschiedenen Forschungskontexten, zB Regression, Klassifikation, Hotelling - Test, etc .$p$$n$

Ich weiß nicht , von einem einzigen Papier, aber ich denke , das aktuelle Buch mit dem besten Überblick über die Methoden für die ist noch Friedman-Hastie-Tibshirani. Es ist sehr anfällig für Schrumpfen und Lasso (ich weiß von einem Bekannten, dass Vapnik bei der ersten Ausgabe des Buches verärgert war), deckt aber fast alle gängigen Schrumpfungsmethoden ab und zeigt deren Zusammenhang mit Boosting. Apropos Boosting, die$p\gg n$ Umfrage von Buhlmann & Hothorn zeigt auch den Zusammenhang mit dem Schrumpfen.

Mein Eindruck ist, dass während Klassifikation und Regression unter Verwendung desselben theoretischen Rahmens analysiert werden können, das Testen für hochdimensionale Daten unterschiedlich ist, da es nicht in Verbindung mit Modellauswahlverfahren verwendet wird, sondern sich auf familienbezogene Fehlerraten konzentriert. Ich bin mir nicht so sicher, welche Umfragen dort am besten sind. Brad Efron hat eine Menge Papiere / Umfragen / Bücher auf seiner Seite . Lesen Sie sie alle und teilen Sie mir die mit, die ich wirklich lesen sollte ...

Was meinst du mit "Ergebnis" theoretisches Ergebnis? oder numerische Ergebnisse?

Ich mag die Bewertungen von Jianqing Fan sehen zum Beispiel dieses und dieses auf Klassifizierung (viele Selbstzitate).

Es gibt auch keine Übersichtsartikel, die in der Einleitung eine ausführliche Übersicht bieten, siehe zum Beispiel diesen und diesen .

Wenn Sie einen Lebenslauf wünschen, ist dies vielleicht der beste, den Sie bekommen können

http://www.springer.com/statistics/statistical+theory+and+methods/book/978-3-642-20191-2

Kapitel 18 von Hastie, Tibshirani und Friedman (12. Druck / zweite Ausgabe, dieses Kapitel war nicht in der ersten Ausgabe enthalten) bietet eine schöne Übersicht mit einigen interessanten Datensätzen. Es ist nicht ganz so gründlich wie die Behandlung von älterem Material, und oft müssen sie heuristische Erklärungen geben, warum bestimmte Algorithmen besser funktionieren als andere. Ich fand es sehr nützlich in Verbindung mit dem Lesen von Artikeln für Dinge, die Sie genauer kennenlernen möchten.