核心判断这是一篇编号为 arXiv:2609.09547v1、公告类型为 cross 的论文摘要。文章指出，机器学习预测模型的样本量确定存在困难：传统功效分析通常要求事先指定预测变量与结果之间的关系以及效应结构，而非线性机器学习模型学习的是复杂预测曲面，无法直接进行解析式的功效计算。为此，作者提出一个框架，用局部线性表示来近似非线性机器学习模型，并通过在这些局部区域上评估统计功效来估计样本量需求。摘要之外，原文还包含 arXivLabs 项目及其价值观与协作方式的介绍性说明。
这是一篇编号为 arXiv:2609.09547v1、公告类型为 cross 的论文摘要。文章指出，机器学习预测模型的样本量确定存在困难：传统功效分析通常要求事先指定预测变量与结果之间的关系以及效应结构，而非线性机器学习模型学习的是复杂预测曲面，无法直接进行解析式的功效计算。为此，作者提出一个框架，用局部线性表示来近似非线性机器学习模型，并通过在这些局部区域上评估统计功效来估计样本量需求。摘要之外，原文还包含 arXivLabs 项目及其价值观与协作方式的介绍性说明。
原文明示事实论文标题为 A Statistical Approach to Estimating Sample Size of Machine Learning Models。；该文编号为 arXiv:2609.09547v1，公告类型为 cross。；摘要指出，机器学习预测模型的样本量确定具有挑战性，因为传统功效分析通常要求事先指定预测变量与结果的关系及效应结构。；摘要指出，非线性机器学习模型学习复杂预测曲面，不能直接进行解析式功效计算。；摘要提出一个框架，用局部线性表示近似非线性机器学习模型。；该框架通过在局部区域上评估统计功效来估计样本量需求。；arXivLabs 是一个允许合作方在 arXiv 网站直接开发和共享新功能的框架。；参与 arXivLabs 的个人和组织认同开放、社区、卓越与用户数据隐私等价值观，arXiv 只与遵守这些价值观的合作方合作。；原文邀请有项目想法的人进一步了解 arXivLabs。
推断与不确定该框架可能主要面向需要预先规划样本量的机器学习预测建模研究场景。；以局部线性近似替代整体非线性关系，可能意味着该方法在可解释性与计算可行性之间作了折中。；原文未给出实证结果，因此该框架目前可能仍处于方法提出阶段。；该框架的具体算法细节与实现步骤尚不明确。；局部区域如何划分、局部线性表示如何拟合均未在原文说明。；是否进行了模拟实验或真实数据验证，以及验证结果如何，原文未提及。；论文作者、所属机构与发表时间等信息在给定原文中未出现。；所提方法相较现有样本量确定方法的优势与局限，原文未展开。；arXivLabs 段落与论文摘要之间的具体关系未在原文说明。
