评论：量化生存研究中的信息损失

评论：提升算法：正则化，预测和模型拟合

Comment: Boosting Algorithms: Regularization, Prediction and Model Fitting

作者正在为《统计科学》的读者提供一个真正的服务，它提供了一个写得很好的最新的关于提升的概述，起源于Freund和Schapire的开创性算法。同样，我们感谢高级软件，它将允许更大的读者试验或简单地应用提升启发的模型拟合。作者向我们展示了一个方法论的世界，说明了一个根本性的创新如何渗透到统计思维和实践的每一个角落。他们向读者介绍了一种特定的增强解释，然后展示了它的潜力，从分类（这一切都是从哪里开始的）扩展到最小二乘，指数家族模型，生存分析，到除树之外的基础学习者，如平滑样条，到自由度和正则化，以及模型选择的迷人近期工作。不了解的读者会发现，作者做了很好的工作，提出了一定的连贯和有用的解释提升。然而，另一位读者，谁已经看了一段时间的业务，可能会与作者的历史记录的细节，更重要的是，在他们对理论知识的现状的乐观。事实上，尽管“统计观点”已被证明是富有成效的，但它也导致了一些关于为什么提高工作效率的想法可能被误解，以及一些可能被误导的建议。[arXiv：0804.2752]