Friedman, Hastie och Tibshirani (2010), med hänvisning till The Elements of Statistical Learning , skriv,

Vi använder ofta "En-standard-fel" regel när du väljer den bästa modellen; detta bekräftar det faktum att riskkurvorna uppskattas med fel, så fel på sidan av parsimon.

Anledningen till att använda ett standardfel, i motsats till andra belopp, verkar vara för det är, ja ... standard. Krstajic, et al (2014) skriv (fet betoning min):

Breiman et al. [25] har funnit i fallet att välja optimal trädstorlek för klassificering av trädmodeller att trädstorleken med minimalt korsvalideringsfel genererar en modell som i allmänhet överträffar. Därför, i avsnitt 3.4.3 i deras bok Breiman et al. [25] definiera en standardfelregel (1 SE-regel) för att välja en optimal trädstorlek, och de implementerar den genom hela boken. För att beräkna standardfelet för enstaka V-korsvalidering, måste noggrannhet beräknas för varje vik, och standardfelet beräknas från V-noggrannhet från varje vik. Hastie et al. [4] definiera 1 SE-regeln som att välja den mest parsimonious modellen vars fel inte är mer än ett standardfel över felet i den bästa modellen, och de föreslår på flera ställen att använda 1 SE-regeln för allmän korsvalideringsanvändning. Huvudpunkten för 1 SE-regeln, som vi håller med om, är att välja den enklaste modellen vars noggrannhet är jämförbar med den bästa modellen .

Förslaget är att valet av ett standardfel är helt heuristiskt, baserat på den känslan att ett standardfel vanligtvis inte är stort i förhållande till intervallet av $ \ lambda $ -värden.

Breiman et al.s bok (citerad i det andra svarets citat från Krstajic) är den äldsta referensen jag hittat för 1SE-regeln.

Detta är Breiman, Friedman, Stone och Olshens Klassificering och regressionsträd (1984).De "härleder" denna regel i avsnitt 3.4.3.

Så om du behöver en formell hänvisning verkar det vara den ursprungliga källan.