PMA公司

R包PMA:惩罚多元分析。进行惩罚多元分析:惩罚矩阵分解,稀疏主成分分析,稀疏典型相关分析,如下文所述:(1)Witten,Tibshirani and Hastie(2009)惩罚矩阵分解,应用于稀疏主成分分析和典型相关分析。生物统计学10(3):515-534。(2)Witten和Tibshirani(2009)稀疏典型相关分析的扩展,及其在基因组数据中的应用。遗传学和分子生物学中的统计应用8(1):第28条。


zbMATH中的参考文献(参考文献114篇)

显示第1到第20个结果,共114个。
按年份排序(引用)
  1. 兰沃斯,本杰明W。;斯蒂芬斯,丽贝卡L。;吉尔摩,约翰H。;Fine,Jason P.:椭圆copula的典型相关分析(2021)
  2. 蔡、嘉;霍俊义:基于线性化Bregman方法的稀疏广义正则相关分析(2020)
  3. Chi,埃里克·C。;盖恩斯,布莱恩J。;孙,将卫;周华;杨健:张量的可证凸共聚类(2020)
  4. 埃里克森,N。本杰明;郑鹏;马诺哈,克里希卡;布伦顿,史蒂文L。;库茨,J。内森;Aravkin,Aleksandr Y.:通过变量投影进行稀疏主成分分析(2020)
  5. 马莱克,卢克áš; 雅诺夫斯克ý, 弗拉迪姆ír: 将多元偏最小二乘法与典型分析相结合:路径跟踪法(2020)
  6. 马、庄;李晓东:典型相关分析的子空间视角:降维与极大极小率(2020)
  7. 米涅瓦穆赫帕德耶;邓森,大卫B.:高维特征预测的目标随机投影(2020)
  8. 潘玉清;Mai,Qing:差分网络分析的有效计算及其在二次判别分析中的应用(2020)
  9. 王义菊;东,曼曼;徐毅:高阶张量的稀疏秩1逼近算法(2020)
  10. 阴、夏;李乐新;洛克哈特,塞缪尔N。;Jagust,William J.:多模态综合分析的同步协方差推断(2020)
  11. 秀、贤超;杨英;孔令臣;刘万全:tSSNALM:稀疏CCA的快速两阶段半光滑牛顿增广拉格朗日方法(2020)
  12. 张帆;米奇尼科夫斯基,杰弗里·C。;Tritchler,David L.:监督和稀疏功能基因组路径的识别(2020年)
  13. 张帆;王浩;王嘉善;Yang,Kai:凸集上非线性优化的不精确原对偶梯度投影法(2020)
  14. 赵毅;林德奎斯特,马丁A。;Caffo,Brian S.:基于稀疏主成分的高维中介分析(2020)
  15. 周宜城;吕振州;胡景汉;胡英石:基于数据驱动多项式混沌展开和稀疏偏最小二乘法的高维问题替代建模(2020)
  16. 伯克,劳伦;Bertsimas,Dimitris:可证明的最优稀疏主成分分析(2019)
  17. 巴陀罗,阿尼迪亚;达塔,乔提什卡;波尔森,尼古拉斯G。;威拉德,布兰登:《套索遇上马蹄铁:一项调查》(2019年)
  18. 查克拉巴蒂,阿纳布;Sen,Rituparna:高维金融数据的一些统计问题(2019)
  19. 德米谢,皮埃尔拉斐;酒,贝诺ît;Sutton,Matthew:PLS for Big Data:正则化群PLS的统一并行算法(2019)
  20. 范,周;Montanari,Andrea:随机内积核矩阵的谱范数(2019)