×
阿瑟·特内豪斯;阿兰·吉隆;伊曼纽尔·维也纳;米歇尔·贝拉;吉尔伯特·萨波塔;伯纳德·费蒂尔

核逻辑PLS：用于监督非线性降维和二进制分类的工具。 （英文） Zbl 1162.62384号

计算。统计数据分析。 51，编号9，4083-4100（2007）.
摘要：“核逻辑PLS”（KL-PLS）是一种用于有监督非线性降维和二进制分类的新工具。KL-PLS的原理基于PLS潜在变量的构造和核学习。KL-PLS算法可以看作是一种有监督的降维（复杂性控制步骤），然后是基于逻辑回归的分类。该算法应用于11个用于二进制分类的基准数据集和3个医学问题。在所有情况下，KL-PLS证明了其与其他最先进的分类方法（如支持向量机）的竞争力。此外，由于回归和逻辑回归的连续性仅对少数不相关变量进行，KL-PLS允许处理高维数据。该方法简单易行。它通过降维提供了有效的复杂性控制，并允许对数据分段进行可视化检查。

引用于三文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
68T05型 人工智能中的学习和自适应系统

关键词：

分类;内核;PLS回归;逻辑回归;降维

软件：

SAS公司;SVM灯
PDF格式BibTeX公司 XML格式引用
\textit{A.Tenenhaus}等人，计算。统计数据分析。51，第9号，4083--4100（2007；Zbl 1162.62384）
全文： 内政部

参考文献：

[1] 阿尔伯特，A。；Anderson，J.A.，关于logistic回归模型中最大似然估计的存在性，Biometrika，71，1-10（1984）·Zbl 0543.62020号
[2] Allison，D.P.，1999年。使用SAS系统的Logistic回归：理论与应用，SAS研究所，ISBN:1-58025-352-0。；Allison，D.P.，1999年。使用SAS系统的Logistic回归：理论与应用，SAS研究所，ISBN:1-58025-352-0。
[3] 巴赫，F.R.，约旦，M.I.，2005年。核方法的预测低秩分解。摘自：德国波恩第二十二届机器学习国际会议论文集。；巴赫，F.R.，约旦，M.I.，2005年。核方法的预测低秩分解。摘自：德国波恩第二十届机器学习国际会议论文集。
[4] 巴菲，G。；马丁·E·B。；Morris，A.J.，对潜在结构的非线性投影（神经网络PLS算法），计算。化学。工程师，23，1293-1307（1999）
[5] Barker，M。；Rayens，W.S.，《偏最小二乘判别法》，《化学计量学杂志》，第17期，第166-173页（2003年）
[6] Bastien，P。；Vinzi，V.E。；Tenenhaus，M.，PLS广义线性回归，计算。统计师。数据分析。，48, 17-46 (2005) ·Zbl 1429.62316号
[7] Bennett，K.P。；Embrechts，M.J.，《关于核偏最小二乘回归的优化观点》，（学习理论的进展：方法、模型和应用），《北约科学系列III：计算机和系统科学》，第190卷（2003年），IOS出版社：阿姆斯特丹IOS出版社），227-250
[8] Boser，B.E.，Guyon，I.，Vapnik，V.N.，1992年。一种最优边缘分类器的训练算法。摘自：《第五届计算学习理论年度研讨会论文集》，第5卷，匹兹堡，第144-152页。；Boser，B.E.，Guyon，I.，Vapnik，V.N.，1992年。一种最优边缘分类器的训练算法。摘自：《第五届计算学习理论年度研讨会论文集》，第5卷，匹兹堡，第144-152页。
[9] Burges，C.J.C.，模式识别、数据挖掘和知识发现支持向量机教程，2，2，121-167（1998）
[10] Cherkassky，V。；穆利埃，F.P。；Vapnik，V.N.，使用VC泛化边界进行回归的模型复杂性控制，IEEE神经网络汇刊，101075-1089（1999）
[11] 科尔特斯，C。；Vapnik，V.，支持向量网络，马赫。学习，20273-297（1995）·兹比尔08316.8098
[12] Evgeniou，T。；庞蒂尔，M。；Poggio，T.，正则化网络和支持向量机，高级计算。数学。，13, 1-50 (1999) ·Zbl 0939.68098号
[13] Firth，D.，最大似然估计的偏差减少，生物特征，80，27-38（1993）·Zbl 0769.62021号
[14] Garthwaite，P.H.，《偏最小二乘法的解释》，J.Amer。统计师。协会，89，425，122-127（1994）·兹比尔0793.62034
[15] Hanley，J.A.，《接收器操作特征方法：最新进展》，《诊断成像关键评论》，29，307-335（1989）
[16] 海因策，G。；Schemper，M.，逻辑回归中分离问题的解决方案，统计。医学，212409-2419（2002）
[17] Höskuldsson，A.，PLS回归方法，《化学计量学杂志》，2211-228（1988）
[18] Joachims，J.，《使大规模SVM学习实用化》（Schölkopf，B.；Burges，C.；Smola，A.，《内核方法的进展——支持向量学习》（1999），麻省理工学院出版社：麻省理学院出版社剑桥）
[19] Li，J.，Liu，H.，2002年。Kent Ridge生物医学数据集存储库\（\langle；\）http://sdmc-lit.org.sg/GE数据集\（\rangle；\）；Li，J.，Liu，H.，2002年。Kent Ridge生物医学数据集存储库\（\langle；\）http://sdmc-lit.org.sg/GE数据集\（\rangle；\）
[20] Rätsch，G。；Onoda，T。；Muller，K.R.，adaboost的软裕度，马赫。学习，42，287-320（2001）·Zbl 0969.68128号
[21] 罗斯帕尔，R。；Trejo，L.J.，再生核希尔伯特空间中的核偏最小二乘回归，J.Mach。学习研究，297-123（2001）·兹比尔1021.68075
[22] Rosipal，R.，Trejo，L.J.，Matthews，B.，2003年。线性和非线性分类的核PLS-SVC。附：第二十届国际机器学习会议记录，美国华盛顿。；Rosipal，R.，Trejo，L.J.，Matthews，B.，2003年。线性和非线性分类的核PLS-SVC。摘自：第二十届国际机器学习会议论文集，美国华盛顿。
[23] Schölkopf，B。；Smola，A.J.，《使用内核支持向量机正则化优化及其以外的学习》（2002），麻省理工学院出版社：麻省理学院出版社剑桥
[24] Schölkopf，B。；Smola，A.J。；Müller，K.R.，作为核特征值问题的非线性分量分析，神经计算。，10, 1299-1319 (1998)
[25] 肖-泰勒，J。；Cristianini，N.，《模式分析的核心方法》（2004），剑桥大学出版社：剑桥大学出版社
[26] 沈，L。；Tan，E.C.，使用微阵列数据进行癌症分类的基于维数缩减的惩罚logistic回归，IEEE/ACM Trans。计算。生物.生物信息学，2，2，166-175（2005）
[27] A.J.Smola和B.Schölkopf，2000年。机器学习的稀疏贪婪矩阵近似。参加：第十七届国际机器学习会议，美国斯坦福大学。；Smola，A.J.，Schölkopf，B.，2000年。机器学习的稀疏贪婪矩阵近似。参加：第十七届国际机器学习会议，美国斯坦福大学。
[28] Tenenhaus，A.，La Régression Logistique PLS validée e par bootstrap（2002），统计学硕士学位，皮埃尔·居里大学：统计学硕士学位
[29] Tenenhaus，M.，1998年。La Régression PLS，éditions Technip。；Tenenhaus，M.，1998年。La Régression PLS，éditions Technip公司·Zbl 0923.62058号
[30] Tenenhaus，M.，La régression logistique PLS，（Droesbeke，J.J.；Lejeune，M.；Saporta，G.，Modèles statistiques pour donnes qualitatives（2005），Technip版）
[31] Tenenhaus，A.，Giron，A.，Saporta，G.，Fertil，B.，2005年。核逻辑PLS：一种新的复杂分类工具。参加：第十一届应用随机模型和数据分析国际研讨会，法国布雷斯特。；Tenenhaus，A.，Giron，A.，Saporta，G.，Fertil，B.，2005年。核逻辑PLS：一种用于复杂分类的新工具。在：第11届应用随机模型和数据分析国际研讨会，法国布雷斯特·Zbl 1162.62384号
[32] Tikhonov，A.N。；Arsenin，V.Y.，《病态问题的解决》（1977），威利出版社：威利纽约·Zbl 0354.65028号
[33] 塔克，L.R.，《因子分析的跨银行方法》，《心理测量学》，23，2（1958）·Zbl 0097.35102号
[34] Vapnik，V.，《统计学习理论》（1998），威利出版社：威利纽约·Zbl 0935.62007号
[35] Wahba，G.，1999年。支持向量机，再生核希尔伯特空间和随机GACV。在：核方法支持向量学习的进展，第69-88页。；Wahba，G.，1999年。支持向量机，再生核希尔伯特空间和随机GACV。摘自：《内核方法的进展——支持向量学习》，第69-88页。
[36] 韦伯，A.R.，1996年。使用加权多维缩放应力测度的径向基函数非线性特征提取。参加：第十三届国际模式识别会议。；韦伯，A.R.，1996年。使用加权多维缩放应力测度的径向基函数非线性特征提取。参加：第十三届国际模式识别会议。
[37] Williams，C.K.I.，Seeger，M.，2000年。输入密度分布对基于核分类器的影响。参加：第十七届国际机器学习会议，美国斯坦福大学。；Williams，C.K.I.，Seeger，M.，2000年。输入密度分布对基于核分类器的影响。参加：第十七届国际机器学习会议，美国斯坦福大学。
[38] Wold，S.，非线性偏最小二乘建模。II样条内部功能，化学计量学智能。实验室系统，14，71-84（1992）
[39] 沃尔德，S。；Martens，H。；Wold，H.，用PLS方法解决化学中的多元校准问题，（数学讲义（1983），施普林格：施普林格-海德堡），286-293·Zbl 0499.65065号
[40] 沃尔德，S。；Kettaneh-Wold，N。；Skagerberg，B.，非线性PLS建模，化学计量学情报。实验室系统，753-65（1989）
[41] Wu，W。；马萨特，D.L。；de Jong，S.，宽数据的核心PCA算法。第二部分：快速交叉验证及其在近红外数据分类中的应用，Chemometrics Intell。实验室系统，37，271-280（1997）
[42] 朱，J。；Hastie，T.，《核逻辑回归与输入向量机》，J.Compute。图形统计。，14, 1, 185-205 (2005)
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。