×

稀疏子空间约束偏最小二乘。 (英语) Zbl 07193767号

摘要:本文研究了多元稀疏偏最小二乘回归的目标函数和缩减过程。虽然许多人考虑了稀疏PLS目标的变化,但稀疏PLS的通缩过程没有受到太多关注。我们的工作强调了统计启发的偏最小二乘修正(SIMPLS)通缩方法在应用于稀疏PLS回归时的一个缺陷。我们还考虑了稀疏PLS回归中的非线性迭代偏最小二乘(NIPALS)缩减。为了弥补SIMPLS方法的缺陷,我们提出了一种新的稀疏PLS方法,其中方向向量被约束为稀疏且位于选定的子空间中。我们深入了解了这种新的PLS方法,并通过实例和仿真研究表明,所提出的技术在系数估计方面优于其他稀疏PLS技术。此外,我们的分析揭示了一个简单的重正化步骤,可用于改进使用任何凸松弛方法生成的稀疏PLS方向向量的估计。

MSC公司:

62至XX 统计
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Chun H,KelešS.同时降维和变量选择的稀疏偏最小二乘回归。J R Stat Soc Ser B Stat方法。2010年1月;72(1):3-25. [Crossref]、[PubMed]、[Web of Science®]、[Google学者]·Zbl 1411.62184号
[2] Nadler B,Coifman RR。CLS和PLS中的预测误差:多元校准前特征选择的重要性。化学杂志。2005年2月1日;19(2):107-118. [Crossref]、[Web of Science®]、[Google学者]
[3] Huang X,Pan W,Park S,等。通过惩罚偏最小二乘法模拟LVAD支持时间与人类心脏基因表达变化之间的关系。生物信息学。2004年4月;20(6):888-894. [Crossref]、[PubMed]、[Web of Science®]、[Google Scholar]
[4] Tibshirani R.通过套索回归收缩和选择。J R Stat Soc Ser B Stat方法。1996;58(1):267-288. [Crossref]、[Web of Science®]、[Google学者]·Zbl 0850.62538号
[5] 邹H,Hastie T,Tibshirani R.稀疏主成分分析。J Comput Graph Stat:美国统计协会、数学统计研究所、北美界面基金会的联合出版物。2006年6月;15(2):265-286. [谷歌学者]
[6] LíCao KA,Rossouw D,Robert-GraniéC等。集成经济学数据时用于变量选择的稀疏PLS。统计应用基因分子生物学。2008年11月;7(1):第35条。[Crossref]、[PubMed]、[Web of Science®]、[Google学者]·Zbl 1276.62061号
[7] 沈浩,黄JZ。基于正则化低秩矩阵逼近的稀疏主成分分析。多变量分析杂志。2008年7月;99(6):1015-1034. [Crossref]、[Web of Science®]、[Google学者]·Zbl 1141.62049号
[8] Camacho J,Saccenti E.分组偏最小二乘回归。化学杂志。2018;32(3):e2964。[Crossref]、[Web of Science®]、[Google学者]
[9] Liquet B,de Micheaux PL,Hejblum BP,等。基因组学背景下应用的群和稀疏群偏最小二乘法。生物信息学。2016年1月1日;32(1):35-42. [PubMed]、[Web of Science®]、[Google学者]
[10] Sutton M,Thiébaut R,Liquet B.具有群和子群结构的稀疏偏最小二乘法。统计医学2018年10月;37(23):3338-3356. [Crossref]、[PubMed]、[Web of Science®]、[Google学者]
[11] Durif G,Modolo L,Michaelson J,等。结合自适应稀疏PLS和逻辑回归的高维分类。生物信息学。2018年2月;34(3):485-493. [Crossref]、[PubMed]、[Web of Science®]、[Google学者]
[12] Fuentes J、Poncela P、Rodríguez J。宏观经济预测时间序列中的稀疏偏最小二乘法。应用经济学杂志。2015年6月;30(4):576-595。[Crossref],[Google学者]
[13] Mehmood T、Liland KH、Snipen L等。偏最小二乘回归中变量选择方法综述。化学计量学智能实验室系统。2012年8月;118:62-69。[Crossref]、[Web of Science®]、[Google学者]
[14] Allen GI、Peterson C、Vannucci M等。正则偏最小二乘法在核磁共振波谱中的应用。2013年8月1日统计分析数据;6(4):302-314. [Crossref]、[PubMed]、[Web of Science®]、[Google Scholar]·Zbl 07260370号
[15] Mackey LW公司。稀疏PCA的收缩方法。收录人:Koller D、Schuurmans D、Bengio Y等,编辑。神经信息处理系统的进展21。Curran Associates公司。;2009年,第1017-1024页。[谷歌学者]
[16] Cook RD、Helland IS、Su Z.包络和偏最小二乘回归。J R Stat Soc Ser B Stat方法。2013年11月;75(5):851-877. [Crossref]、[Web of Science®]、[Google学者]·Zbl 1411.62137号
[17] de Jong S.Simples:偏最小二乘回归的另一种方法。化学计量学智能实验室系统。1993年3月1日;18(3):251-263. [Crossref]、[Web of Science®]、[Google学者]
[18] Moghaddam B,Weiss Y,Avidan S.稀疏PCA的谱界:精确和贪婪算法。收件人:Weiss Y,Schölkopf B,Platt JC,编辑。神经信息处理系统的进展18。麻省理工学院出版社;2006年,第915-922页。[谷歌学者]
[19] Witten DM、Tibshirani R、Hastie T。惩罚矩阵分解,应用于稀疏主成分和典型相关分析。生物统计学。2009年7月;10(3):515-534. [Crossref]、[PubMed]、[Web of Science®]、[Google学者]·Zbl 1437.62658号
[20] Krämer N.偏最小二乘回归收缩特性概述。2007年7月计算统计;22(2):249-273. [Crossref]、[Web of Science®]、[Google学者]·兹比尔1197.62084
[21] Jolliffe IT、Trendafilov NT、Uddin M.基于套索的改进主成分技术。J计算图形统计:美国统计协会、数理统计研究所、北美界面基金会联合出版。2003年9月;12(3):531-547. [谷歌学者]
[22] Chen X,Zou C,Dennis Cook R.坐标相关稀疏充分降维与变量选择。Ann Stat.2010年12月;38(6):3696-3723. [Crossref]、[Web of Science®]、[Google学者]·Zbl 1204.62107号
[23] Vu VQ,Lei J.高维Minimax稀疏主子空间估计。Ann Stat.2013年12月;41(6):2905-2947. [Crossref]、[Web of Science®]、[Google学者]·Zbl 1288.62103号
[24] SböS、Almöy T、Helland IS.simrel——基于相关子空间和相关预测因子概念的线性模型数据模拟通用工具。化学计量学智能实验室系统。2015年8月;146:128-135. [Crossref]、[Web of Science®]、[Google学者]
[25] Boyd S,Parikh N,Chu E,等。基于交替方向乘数法的分布式优化和统计学习。基础趋势机器学习。2011;3(1):1-122. [Crossref],[Google学者]·Zbl 1229.90122号
[26] 陈凯,雷J.本地化功能主成分分析。J Am Stat Assoc.2015年4月;110(511):1266-1275. [Taylor&Francis Online]、[Web of Science®]、[Google学者]·Zbl 1373.62293号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。