雷根姆

RegEM:正则化期望最大化模块实现T.Schneider,2001:不完全气候数据的分析:平均值和协方差矩阵的估计和缺失值的插补中描述的正则化EM算法。气候杂志,14853-871。高斯数据的EM算法基于迭代线性回归分析。在正则EM算法中,正则化估计方法代替了传统EM算法中对高斯数据回归参数的条件极大似然估计。这里的模块提供截尾全最小二乘法(具有固定的截断参数)和具有广义交叉验证的岭回归作为正则化估计方法。正则化EM算法的实现是模块化的,因此执行回归参数的正则化估计的模块(例如岭回归和广义交叉验证)可以交换为其他正则化方法和确定ca正则化参数的其他方法。Per Christian Hansen的正则化工具包含Matlab模块,这些模块实现了一组正则化方法,这些方法可以适应EM算法的框架。正则EM算法的广义交叉验证模块是由Hansen的广义交叉验证模块改编而来的。在正则化EM算法的Matlab实现中,更强调程序代码的模块性,而不是计算效率。在国家科学基金会气候变化古观点项目资助下,正则化EM算法目前正在进一步开发中


zbMATH参考文献(16篇文章引用)

显示第1到16个结果,共16个。
按年份排序(引用)

  1. Barboza,Luis A.;Emile Geay,Julien;Li,Bo;He,Wan:通过综合嵌套拉普拉斯近似法对共同时代气候的有效重建(2019年)
  2. 邓万宇;刘丹;董莹莹:高维不完全多模数据的特征选择与分类(2018)
  3. 范凤峰;李占怀;陈群;陈磊:有质量保证的关系数据插补(2018)
  4. Butucea,Cristina;Zgheib,Rania:存在缺失观测值的大协方差矩阵自适应测试(2017年)
  5. Guillot,Dominique;Rajaratnam,Bala;Emile Geay,Julien:通过马尔可夫随机场进行的统计古气候重建(2015)
  6. Chen,Lin S.;Prentice,Ross L.;Wang,Pei:用于高斯参数估计的包含缺失数据机制的惩罚EM算法(2014)
  7. Lounici,Karim:缺失观测的高维协方差矩阵估计(2014)
  8. Luengo,Julián;Sáez,JoséA;Herrera,Francisco:基于模糊规则分类系统的缺失数据插补(2012)ioport公司
  9. 周立刚;赖建强;甄建强:基于特征排序技术的企业财务困境预测实证模型(2012)
  10. Zuccolotto,Paola:具有区间插补缺失值的主成分分析(2012年)
  11. 统计分析:过去1000年的表面温度是可靠的?(2011年)
  12. Lee,Terry C.K.;Tsao,Min;Zwiers,Francis W.:基于代理的千年重建的状态空间模型(2010)
  13. Polikar,Robi;DePasquale,Joseph;Mohammed,Hussein Syed;Brown,Gavin;Kuncheva,Ludmilla I.:学习(^++)。MF:缺失特征问题的随机子空间方法(2010)
  14. Chang,Roy Kwang Yang;Loo,Chu Kiong;Rao,M.V.C.:用于机器故障分类的具有数据插补能力的增强型概率神经网络(2009)ioport公司
  15. López Rubio,Ezequiel;Ortiz de Lazcano Lobato,Juan Miguel:概率PCA交叉验证的自动模型选择(2009)ioport公司
  16. Fiori,Simone:具有数值匹配输入输出统计的神经系统:等张双变量统计建模(2007)ioport公司