×
陆、军;林、鲁;王文武

通过RKHS嵌入对分类数据进行基于分区的特征筛选。 （英语） Zbl 1510.62064号

计算。统计数据分析。 157，文章ID 107176，16 p.（2021）.
摘要：本文提出了一种新的分类反应超高维数据筛选方法。通过利用预测因子之间的群结构，通过在最大平均差框架中嵌入再生核希尔伯特空间（RKHS），开发了一种新的基于分区的筛选方法，新方法能够识别边际筛选方法可能忽略的影响因素组。此外，通过使用RKHS嵌入，新的排名指数具有非常简单的形式，因此可以很容易地进行评估。作为副产品，新方法是无模型的，没有指定预测因子和响应之间的任何关系。通过数值研究和实际数据分析，证明了该方法具有一定的筛选性能，并说明了该方法的有效性。

MSC公司：

62-08 统计问题的计算方法
62G08号 非参数回归和分位数回归
62H30型 分类和区分；聚类分析（统计方面）

关键词：

特征筛选;基于分区;分类数据;RKHS公司

软件：

处罚LDA
PDF格式BibTeX公司 XML格式引用
\textit{J.Lu}等人，计算。统计数据分析。157，文章ID 107176，16 p.（2021；Zbl 1510.62064）
全文： 内政部

参考文献：

[1] Berlinet，A。；Thomas-Agnan，C.，《概率统计中的核希尔伯特空间再现》（2011），施普林格科学与商业媒体
[2] Caliánski，T。；Harabasz，J.，用于聚类分析的树枝晶方法，Commun。统计师-理论方法，3，1，1-27（1974）·Zbl 0273.62010
[3] Chang，J。；Tang，C.Y。；Wu，Y.，边际经验似然和确定独立性特征筛选，Ann.Statist。，41, 4, 2123-2148 (2013) ·Zbl 1277.62109号
[4] 克莱门森，L。；哈斯蒂，T。；维滕，D。；Ersböll，B.，稀疏判别分析，技术计量学，53，4，406-413（2011）
[5] 崔，H。；李，R。；Zhong，W.，超高维判别分析的无模型特征筛选，J.Amer。统计师。协会，110，510，630-641（2015）·Zbl 1373.62305号
[6] 范，J。；Feng，Y。；Tong，X.，高维空间中的分类之路：正则化最优仿射判别式，J.R.Stat.Soc.Ser。B统计方法。，74, 4, 745-771 (2012) ·Zbl 1411.62167号
[7] 范，J。；Lv，J.，超高维特征空间的确定独立筛选，J.R.Stat.Soc.Ser。B统计方法。，70, 5, 849-911 (2008) ·Zbl 1411.62187号
[8] 范，J。；Song，R.，具有np维的广义线性模型中的确定独立筛选，Ann.Statist。，38, 6, 3567-3604 (2010) ·Zbl 1206.68157号
[9] Feng，Y。；Wu，Y。；Stefanski，L.A.，《通过优选平滑带宽进行非参数独立筛选》，J.Statist。计划。推理，197,1-14（2018）·Zbl 1432.62093号
[10] 格雷顿，A。；Borgwardt，K。；拉什，M。；Schölkopf，B。；Smola，A.J.，双样本问题的核方法，（神经信息处理系统进展（2007）），513-520
[11] 何，X。；Wang，L。；Hong，H.G.，高维异质数据的分位数自适应无模型变量筛选，Ann.Statist。，41, 1, 342-369 (2013) ·Zbl 1295.62053号
[12] 黄，D。；李，R。；Wang，H.，超高维分类数据的特征筛选及其应用，J.Bus。经济。统计人员。，32, 2, 237-244 (2014)
[13] Kang，J。；Hong，H.G。；Li，Y.，基于分区的超高维变量筛选，Biometrika，104，4，785-800（2017）·兹伯利07072328
[14] Ke，C。；Yin，X.，测试独立性的预期条件特征函数测量，J.Amer。统计师。协会，115、530、985-996（2020年）·Zbl 1445.62091号
[15] 李，R。；钟伟。；Zhu，L.，通过距离相关学习进行特征筛选，J.Amer。统计师。协会，1074991129-1139（2012）·Zbl 1443.62184号
[16] 林，L。；Sun，J。；Zhu，L.，非参数特征筛选，计算。统计师。数据分析。，67, 162-174 (2013) ·Zbl 1471.62119号
[17] 刘杰。；李，R。；Wu，R.，超高维协变量变系数模型的特征选择，J.Amer。统计师。协会，109，505，266-274（2014）·Zbl 1367.62048号
[18] 卢，J。；Lin，L.，具有超高维预测因子的多响应变系数模型的特征筛选，计算。统计师。数据分析。，128, 242-254 (2018) ·Zbl 1469.62113号
[19] Mai，Q。；Zou，H.，融合kolmogorov滤波器：一种非参数无模型筛选方法，Ann.Statist。，43, 4, 1471-1497 (2015) ·Zbl 1431.62216号
[20] Murtagh，F.，《层次聚类算法最新进展概览》，计算。J.，26，4354-359（1983）·Zbl 0523.68030号
[21] 潘，R。；Wang，H。；Li，R.，通过两两确定独立筛选进行超高维多类线性判别分析，J.Amer。统计师。协会，111，513，169-179（2016）
[22] Tibshirani，R。；哈斯蒂，T。；Chu，G.，通过基因表达的收缩质心诊断多种癌症，Proc。国家。阿卡德。科学。，99, 10, 6567-6572 (2002)
[23] 王，X。；Leng，C.，筛选变量的高维普通最小二乘投影，J.R.Stat.Soc.Ser。B统计方法。，78, 589-611 (2016) ·Zbl 1414.62313号
[24] Witten，D.M。；Tibshirani，R.，使用fisher线性判别法进行惩罚分类，J.R.Stat.Soc.Ser。B统计方法。，73, 5, 753-772 (2011) ·Zbl 1228.62079号
[25] 谢军。；Lin，Y。；Tang，N.，超高维异质分类数据的类别自适应变量筛选，J.Amer。统计师。协会，115、530、747-760（2020年）·Zbl 1445.62020号
[26] 赵S.D。；Li，Y.，超高维协变量cox模型的原则确定独立性筛选，《多元分析杂志》。，105, 1, 397-411 (2012) ·Zbl 1233.62173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。