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参考文献(参考 106篇文章 参考)

显示106个结果中的1到20个。
按年份排序(引用)
  1. 蔡,贾;霍,军义:基于线性化Bregman方法的稀疏广义正则相关分析(2020)
  2. Erichson,N.Benjamin;Zheng,Peng;Manohar,Krithika;Brunton,Steven L.;Kutz,J.Nathan;Aravkin,Aleksandr Y.:通过变量投影进行稀疏主成分分析(2020年)
  3. Ma,庄;Li,Xiaodong:典型相关分析的子空间视角:降维和极大极小率(2020)
  4. 潘玉清;麦青: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)
  5. 王义菊;董曼曼;徐毅:高阶张量的稀疏秩1逼近算法(2020)
  6. Xia,Yin;Li,Lexin;Lockhart,Samuel N.;Jagust,William J.:多模态综合分析的同步协方差推断(2020)
  7. 修先超;杨宪超;孔令晨;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)
  8. Zhang,Fan;Miecznikowski,Jeffrey C.;Tritchler,David L.:监督和稀疏功能基因组路径的识别(2020年)
  9. Zhao,Yi;Lindquist,Martin A.;Caffo,Brian S.:基于稀疏主成分的高维中介分析(2020)
  10. 周逸成;吕振洲;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代理建模(2020)
  11. Berk,Lauren;Bertsimas,Dimitris:可证明的最优稀疏主成分分析(2019)
  12. Bhadra,Anindya;Datta,Jyotishka;Polson,Nicholas G.;Willard,Brandon:《套索与马蹄铁:一项调查》(2019年)
  13. Chakrabarti,Arnab;Sen,Rituparna:高维金融数据的一些统计问题(2019年)
  14. De Micheaux,Pierre Lafaye;Liquet,Benoît;Sutton,Matthew:PLS for Big Data:正则化群PLS的统一并行算法(2019)
  15. Fan,Zhou;Montanari,Andrea:随机内积核矩阵的谱范数(2019)
  16. Fukuyama,Julia:Adaptive gPCA:一种用于微生物组数据的结构化降维方法(2019)
  17. Galeano,Pedro;Peña,Daniel:数据科学、大数据和统计(2019)
  18. Huang,Lei;Bai,Jiawei;Ivanescu,Andrada;Harris,Tamara;Maurer,Mathew;Green,Philip;Zipunnikov,Vadim:多水平矩阵变量分析及其在加速度计测得的临床人群中的应用(2019年)
  19. Keys,Kevin L.;Zhou,Hua;Lange,Kenneth:近距离算法:理论与实践(2019)
  20. Sabnis,Gautam;Pati,Debdeep;Bhattacharya,Anirban:带自动维度学习的压缩协方差估计(2019年)