报告题目：Scalable and Model-free Methods for Multiclass Probability Estimation

报 告 人：Helen Zhang 教授 美国亚利桑那大学

报告时间：2019年7月11日上午9:00-9:40

报告地点：数学楼一楼第一报告厅

报告摘要:

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.

报告人简介：

       Helen Zhang是美国亚利桑那大学数学系，统计学跨学科和应用数学跨学科的教授。她于2002年从美国威斯康星大学麦迪逊分校获得博士学位，2002年至2011年期间担任美国北卡罗来纳州立大学的助理教授和副教授。她的主要研究方向包括非参数建模，统计机器学习，高维数据分析和应用的理论和方法。 她目前是ISI journal Stat的主编。 她是美国统计学会和国际数学统计学会当选会员和2019年IMS Medallion lecture speaker。