Resumen de los resultados "P grande, n pequeña"

¿Alguien puede señalarme un trabajo de encuesta sobre los resultados "Grande , Pequeño "? Estoy interesado en cómo este problema se manifiesta en diferentes contextos de investigación, por ejemplo, la regresión, clasificación, prueba de Hotelling, etc .$p$$n$

No conozco un solo artículo, pero creo que el libro actual con la mejor encuesta de métodos aplicables a sigue siendo Friedman-Hastie-Tibshirani. Es muy parcial para la contracción y el lazo (sé por un conocido común que Vapnik estaba molesto en la primera edición del libro), pero cubre casi todos los métodos de contracción comunes y muestra su conexión con Boosting. Hablando de impulsar, la encuesta de Buhlmann & Hothorn también muestra la conexión con la contracción.$p\gg n$

Mi impresión es que, si bien la clasificación y la regresión se pueden analizar utilizando el mismo marco teórico, las pruebas de datos de alta dimensión son diferentes, ya que no se usan junto con los procedimientos de selección de modelos, sino que se centran en las tasas de error familiares. No estoy tan seguro de las mejores encuestas allí. Brad Efron tiene un montón de documentos / encuestas / libros en su página . Léelos todos y hágame saber el que realmente debería leer ...

¿Qué quieres decir con "resultado" resultado teórico? o resultados numéricos?

Me gustan los comentarios de Jianqing Fan, por ejemplo, este y este sobre clasificación (muchas citas propias).

También hay documentos que no son de revisión que hacen una gran revisión en la introducción, vea, por ejemplo, este y este .

Si quieres un currículum tal vez sea lo mejor que puedas obtener

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

El Capítulo 18 de Hastie, Tibshirani y Friedman (duodécima edición / segunda edición, este capítulo no estaba en la primera edición) es una buena descripción con algunos conjuntos de datos interesantes. No es tan exhaustivo como su tratamiento de material antiguo, y muchas veces tienen que dar explicaciones algo heurísticas de por qué ciertos algoritmos funcionan mejor que otros. Me pareció muy útil, junto con la lectura de documentos para las cosas que desea saber más en profundidad.