尤西·科佩拉;安德烈亚斯·海涅利乌斯;劳里·阿霍宁;阿托·克拉米;Kai Puolamäki 使用回归可以方便地提取多个数据集中的共享变量。 （英语） Zbl 1416.62316号 数据最小知识。发现。 30，第5期，1112-1133（2016）. 摘要：在许多数据分析任务中，了解不同数据集之间的关系很重要。有几种方法可用于此任务，但其中许多方法仅限于两个数据集和线性关系。在本文中，我们提出了一种新的高效算法，称为椰果，用于提取所有数据集在任意大小的给定集合中。椰果将冗余分析扩展到两个以上的数据集，利用回归函数链提取原始数据空间中的共享变量。该算法可以与任何线性或非线性回归函数一起使用，从而使其鲁棒、直观、快速、易于实现和使用。我们使用椰果五个人工数据集和三个真实数据集上的算法。 MSC公司： 62H20个 关联度量（相关性、典型相关性等） 62J15型 成对和多次比较；多次测试 62H25个 因子分析和主成分；对应分析 关键词：共享变体;多元回归;回归链 软件：塞达R;e1071号;R（右）;随机森林;椰果;CCAGFA公司;ElemStatLearn（电子状态学习） PDF格式BibTeX公司 XML格式引用 \textit{J.Korpela}等人，Data Min.Knowl。发现。30，第5号，1112--1133（2016；Zbl 1416.62316） 全文： 内政部 参考文献： [1] Andrew G、Arora R、Bilmes J、Livescu K（2013）深度典型相关分析。摘自：第30届机器学习国际会议论文集，第28卷，第1247-1255页 [2] Dähne S，Nikulin VV，Ramírez D，Schreier PJ，Müller KR，Haufe S（2014）在神经成像数据中发现具有功率依赖性的脑振荡。神经影像96:334-348·doi:10.1016/j.欧洲图像.2014.03.075 [3] Damianou A，Ek C，Titsias MK，Lawrence ND（2012）歧管相关性测定。摘自：第29届机器学习国际会议记录，第145-152页 [4] Fisher J，Darrell T（2003），扬声器与信号级视听融合的关系。IEEE Trans Multimed 6（3）：406-413·doi:10.1109/TMM.2004.827503 [5] Hardoon D，Szedmak S，Shawe-Taylor J（2004）典型相关分析：学习方法应用概述。神经计算16（12）：2639-2664。doi:10.1162/0899766042321814·兹比尔1062.68134 ·doi:10.1162/0899766042321814 [6] Hasson U、Nir Y、Levy I、Fuhrmann G、Malach R（2004），自然视觉期间皮层活动的受试者间同步。科学303（5664）：1634-1640·数字对象标识代码：10.1126/science.1089506 [7] Hastie T、Tibshirani R、Friedman J（2003）《统计学习的要素：数据挖掘、推理和预测》。纽约州施普林格·Zbl 1273.62005年 [8] Hotelling H（1936）两组变量之间的关系。生物特征28:321-377·Zbl 0015.40705号 ·doi:10.1093/biomet/28.3-4.321 [9] 谢伟伟（2000）神经网络非线性典型相关分析。神经网络13:1095-1105·doi:10.1016/S0893-6080（00）00067-8 [10] Hwang H，Jung K，Takane Y，Woodward TS（2013）多元典型相关分析和主成分分析的统一方法。英国数学与统计心理学杂志66（2）：308-321。doi:10.1111/j.2044-8317.201202052.x·Zbl 1410.62094号 ·doi:10.1111/j.2044-8317.201202052.x [11] Kettering J（1971）多组变量的规范分析。生物计量学58:433-451·Zbl 0225.62072号 ·doi:10.1093/biomet/58.3433 [12] Klami A、Virtanen S、Kaski S（2013）贝叶斯典型相关分析。J Mach学习研究14:965-1003·Zbl 1320.62134号 [13] Klami A、Virtanen S、Leppäho E（2015）《群体因素分析》。IEEE Trans Neural Netw学习系统26（9）：2136-2147。doi:10.1109/TNNLS.2014.2376974号文件·doi:10.1109/TNNLS.2014.2376974号文件 [14] Korpela J，Henelius A（2016）Cocoreg：使用回归模型提取数据集集合中的共享变量。http://cran.r-project.org/package=cocoreg [15] 勒让德P，勒让德L（1998）《数值生态学》，第2版。爱思唯尔，阿姆斯特丹·Zbl 1033.92036号 [16] Liaw A，Wiener M（2002）《随机森林分类和回归》。R新闻2（3）：18-22。https://cran.r-project.org/package=randomForest [17] Meyer D、Dimitriadou E、Hornik K、Weingessel A、Leisch F（2014）e1071：维也纳理工大学统计系的其他职能（e1071）。http://cran.r-project.org/package=e1071 [18] Müller KE（1982）通过一般线性模型和主成分理解典型相关性。美国统计36（4）：342-354。doi:10.1080/00031305.1982.10483045·Zbl 0533.62053号 ·doi:10.1080/00031305.1982.10483045 [19] Nguyen HV，Müller E，Vreeken J，Efros P，Böhm K（2014）多元最大相关分析。摘自：第31届机器学习国际会议记录，第775-783页 [20] R核心团队（2014）R：统计计算的语言和环境。R统计计算基金会，维也纳，网址：http://www.R-project.org/ [21] Tenenhaus A（2011）正则化广义典型相关分析和PLS路径建模。《心理测量学》76（2）：257-284·Zbl 1284.62753号 ·doi:10.1007/s11336-011-9206-8 [22] Tibshirani R（1996）通过套索回归收缩和选择。J R Stat Soc系列B 58（1）：267-288·Zbl 0850.62538号 [23] Timmerman ME，Kiers H（2003）四个同时成分模型，用于分析来自多个受试者的多变量时间序列，以模拟个体内和个体间差异。《心理学》68（1）：105-121。doi:10.1007/BF02296656·Zbl 1306.62507号 ·doi:10.1007/BF02296656 [24] Virtanen S、Klami A、Khan SA、Kaski S（2012）CCAGFA：贝叶斯典型相关分析和群体因素分析。http://cran.r-project.org/package=CCAGFA 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。