بهبود کران بالای معیار کولبک - لیبلر براساس ترکیب محدب kمدل رقیب

یکی از مسایل اساسی در استنباط آماری انتخاب مدل بهینه از میان مدل های رقیب است. در این مقاله ثابت شده است که خطای نسبی بین دو مدل دارای خاصیت زبرجمعی است و با استفاده از آن نشان داده شده است که ترکیب محدب مدل های رقیب از نظر معیار واگرایی کولبک - لیبلر مدلی را ایجاد می کند که یا بهتر از تمام مدل های رقیب است و یا لااقل از دورترین مدل رقیب به مدل درست داده ها بهتر است بررسی شبیه سازی یافته های نظری را تایید می کنند

کلیدواژه ها:

Convex Combination ، Geometric Mean ، Kullback-Leibler Risk ، Mixture of Models ، Model Selection ، Relative Error ، انتخاب مدل ، مدل آمیخته ، خطای نسبی ، ترکیب محدب ، معیار کولبک - لیب لر ، میانگین هندسی