報告題目：Scalable and Model-free Methods for Multiclass Probability Estimation
報 告 人：Helen Zhang 教授 美國亞利桑那大學
報告時間：2019年7月11日上午9:00-9:40
報告地點：數學樓一樓第一報告廳
報告摘要:
Classical approaches for multiclass probability estimation are mostly model-based, such as logistic regression or LDA, by making certain assumptions on the underlying data distribution. We propose a new class of model-free methods to estimate class probabilities based on large-margin classifiers. The method is scalable for high-dimensional data by employing the divide-and-conquer technique, which solves multiple weighted large-margin classifiers and then constructs probability estimates by aggregating multiple classification rules. Without relying on any parametric assumption, the estimates are shown to be consistent asymptotically. Both simulated and real data examples are presented to illustrate performance of the new procedure.
報告人簡介：
Helen Zhang是美國亞利桑那大學數學系，統計學跨學科和應用數學跨學科的教授。她于2002年從美國威斯康星大學麥迪遜分校獲得博士學位，2002年至2011年期間擔任美國北卡羅來納州立大學的助理教授和副教授。她的主要研究方向包括非參數建模，統計機器學習，高維數據分析和應用的理論和方法。 她目前是ISI journal Stat的主編。 她是美國統計學會和國際數學統計學會當選會員和2019年IMS Medallion lecture speaker。
