×
杨爱军;田玉柱;李云仙;林金冠

用于分析高维数据的核概率模型中的稀疏贝叶斯变量选择。 （英语） Zbl 1505.62429号

计算。斯达。 35，第1期，245-258（2020年）.
摘要：在本文中，我们开发了一种用于高维数据分类的核概率模型中的稀疏贝叶斯变量选择。特别地，我们对模型大小指定了相关先验分布，对回归参数指定了稀疏先验分布。概述了基于MCMC的计算算法，以从后验分布中生成样本。仿真和实际数据研究表明，就变量选择和分类的准确性而言，我们提出的方法比其他五种没有先验相关项或只涉及一个收缩参数的贝叶斯方法表现更好。

MSC公司：

62-08 统计学相关问题的计算方法
2015年1月62日 贝叶斯推断
62J07型 岭回归；收缩估计器（拉索）

关键词：

变量选择;相关性先验;稀疏先验;核概率模型;分类

软件：

促进
PDF格式BibTeX公司 XML格式引用
\textit｛A.Yang｝等人，计算机。Stat.35，No.1，245--258（2020；Zbl 1505.62429）
全文： 内政部

参考文献：

[1] 艾伯特·J。；Chib，S.，二值和多值响应数据的贝叶斯分析，美国统计协会杂志，88，669-679（1993）·Zbl 0774.62031号 ·doi:10.1080/01621459.1993.10476321
[2] 阿龙，美国。；北巴尔凯。；达诺特曼；Gish，K。；伊巴拉，S。；麦克，D。；Levine，Aj，通过寡核苷酸阵列探测的肿瘤和正常结肠组织的聚类分析揭示的广泛基因表达模式，《国家科学院院刊》，96，6745-6750（1999）·doi:10.1073/pnas.96.12.6745
[3] 荒木，T。；池田，K。；Akaho，S.，《贝叶斯变量选择自适应的高效采样算法》，神经网络，61,22-31（2015）·Zbl 1325.62056号 ·doi:10.1016/j.neunet.2014.09.010
[4] 阿玛根。；邓森博士；Lee，J.，《广义双帕累托收缩》，《中国统计》，2013年第3期，第119-143页·兹比尔1259.62061
[5] Ben-Dor，A.，用基因表达谱进行组织分类，计算机生物学杂志，7559-583（2000）·doi:10.1089/106652700750050943
[6] Bradley P，Mangasarian O（1998）通过凹最小化和支持向量机进行特征选择。摘自：第15届机器学习国际会议记录，第82-90页
[7] Chakraborty，S。；Mallick，Bk；戈什，M。；Damien，P。；Dellaportas，P。；Polson，Ng；Stephens，Da，《非线性回归和分类的贝叶斯层次核机器》，贝叶斯理论与应用（向阿德里安·史密斯爵士致敬），50-69（2013），牛津：牛津大学出版社，牛津·Zbl 1277.62082号
[8] Chhikara，R。；Folks，L.，《逆高斯分布：理论、方法和应用》（1989），纽约：Marcel Dekker，纽约·Zbl 0701.62009号
[9] 克劳福德，L。；木材，Kc；周，X。；Mukherjee，S.，带变量选择的贝叶斯近似核回归，J Am Stat Assoc，1131710-1721（2017）·Zbl 1409.62132号 ·doi:10.1080/01621459.2017.1361830
[10] Dettling，M.，BagBoosting，利用基因表达数据进行肿瘤分类，生物信息学，20，3583-3593（2004）·doi:10.1093/bioinformatics/bth447
[11] Devroye，L.，非均匀随机变量生成（1986），纽约：Springer，纽约·Zbl 0593.65005号
[12] Dougherty，Er，基于微阵列的分类的小样本问题，Comp Funct Genom，2，28-34（2001）·doi:10.1002/cfg.62
[13] 乔治·艾；Mcculloch，Re，《通过吉布斯抽样选择变量》，美国统计协会杂志，88，881-889（1993）·doi:10.1080/01621459.1993.10476353
[14] Gelfand，A。；Smith，Afm，《基于抽样的边际密度计算方法》，美国统计协会杂志，85，398-409（1990）·Zbl 0702.62020号 ·网址：10.1080/01621459.1990.10476213
[15] Golub，Tr，《癌症的分子分类：通过基因表达监测进行分类发现和分类预测》，《科学》，286531-537（1999）·doi:10.1126/science.286.5439.531
[16] 盖恩，I。；韦斯顿，J。；巴恩希尔，S。；Vapnik，V.，使用支持向量机进行癌症分类的基因选择，Mach Learn，46389-422（2002）·Zbl 0998.68111号 ·doi:10.1023/A:1012487302797
[17] 拉尼索斯，D。；Je Grin；Mark，Steel Fj，《变量多于观测值的分类问题中贝叶斯变量选择的跨维抽样算法》，J Comput Gr Stat，18，592-612（2009）·doi:10.1198/jcgs.2009.08027
[18] Lee，Ke，基因选择：贝叶斯变量选择方法，生物信息学，1990-97（2003）·doi:10.1093/bioinformatics/19.1.90
[19] 马利克，英国；Ghosh，D。；Ghosh，M.，利用基因表达数据对肿瘤进行贝叶斯分类，J R Stat Soc B，67，219-232（2005）·Zbl 1069.62100号 ·数字对象标识代码：10.1111/j.1467-9868.2005.00498.x
[20] 北卡罗来纳州大都会。；罗森布鲁斯，Aw；罗森布鲁斯，Mn；出纳员，啊；Teller，E.，用快速计算机器计算状态方程，化学物理杂志，211087-1092（1953）·兹比尔1431.65006 ·数字对象标识代码：10.1063/1.1699114
[21] Notterman，D.，用寡核苷酸放射线检测大肠腺瘤、腺癌和正常组织的转录基因表达谱，《癌症研究》，61，3124-3130（2001）
[22] Panagiotelisa，A。；Smith，M.，高维可加模型中半参数函数的贝叶斯识别、选择和估计，经济杂志，143291-316（2008）·Zbl 1418.62166号 ·doi:10.1016/j.jeconom.2007.10.003
[23] 帕克，K。；Casella，G.，《贝叶斯套索》，美国统计协会期刊，第103期，第681-686页（2008年）·兹比尔1330.62292 ·doi:10.1198/016214500000037
[24] Shailubhai，K.，Uroguanylin治疗通过循环GMP抑制Apc（Min/+）小鼠的息肉形成并诱导人类结肠腺癌细胞的凋亡，《癌症研究》，60，5151-5157（2000）
[25] 托洛西，L。；Lengauer，T.，《相关特征分类：特征排名和解决方案的不可靠性》，生物信息学，271986-1994（2011）·doi:10.1093/bioinformatics/btr300
[26] Troyanskaya，Og，识别微阵列数据中差异表达基因的非参数方法，生物信息学，181454-1461（2002）·doi:10.1093/bioinformatics/18.11.1454
[27] Vapnik，Vn，《统计学习理论的本质》（1995），纽约：斯普林格出版社，纽约·Zbl 0833.62008号
[28] Wahba，G.，观测数据的样条模型（1990），费城：SIAM，费城·Zbl 0813.62001号
[29] Wang，L。；朱，J。；Zou，H.，用于微阵列分类和基因选择的混合huberized支持向量机，生物信息学，24412-419（2008）·doi:10.1093/bioinformatics/btm579
[30] Aj Yang；Xiang，J。；杨，Hq；Lin，Jg，使用大量预测因子预测美国衰退的概率模型中的稀疏贝叶斯变量选择，计算经济，51，1123-1138（2018）·doi:10.1007/s10614-017-9741-1
[31] Aj Yang；Jiang，Xj；舒，Lj；Liu，Pf，高维数据分类的稀疏贝叶斯核多项式概率回归模型，公共统计理论方法，48，165-176（2018）·Zbl 1508.62272号 ·doi:10.1080/03610926.2018.1463385
[32] Yang，Aj；Xiang，J。；舒，Lj；Yang，Hq，使用高度相关的预测因子预测宏观经济变量之前具有相关性的稀疏贝叶斯变量选择，计算经济，51，323-338（2018）·doi:10.1007/s10614-017-9741-1
[33] 袁，M。；Lin，Y.，线性模型中的有效经验贝叶斯变量选择和估计，美国统计协会，472125125（2005）·Zbl 1117.62453号 ·doi:10.1198/0162145005000367
[34] 张，Z。；戴，G。；Jordan，Mi，Bayesian广义核混合模型，J Mach Learn Res，12111-139（2011）·Zbl 1280.68221号
[35] 周，X。；王，X。；Wong，S.，非线性probit基因选择和分类的贝叶斯方法，J Frankl Inst，341137-156（2004）·Zbl 1095.62130号 ·doi:10.1016/j.jfranklin.2003.12.010
[36] 周，X。；刘凯。；Wong，S.，《使用贝叶斯基因选择的逻辑回归进行癌症分类和预测》，《生物识别信息杂志》，37，249-259（2004）·doi:10.1016/j.jbi.2004.07.009
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。