Model-Free Feature Screening for Ultrahigh Dimensional Discriminant Analysis

doi:10.1080/01621459.2014.920256

.2015年6月1日；110(510):630-641.

doi:10.1080/01621459.2014.920256。

超高维判别分析的无模型特征筛选

崔恒健¹, 李润泽¹, 魏忠¹

附属公司

采购管理信息： 26392643
预防性维修识别码：项目经理4574103
内政部： 2014年10月80日至2016年9月20256日

用于超高维判别分析的无模型特征筛选

崔恒健等。美国统计协会. 2015.

.2015年6月1日；110(510):630-641.

doi:10.1080/01621459.2014.920256。

作者

崔恒健¹, 李润泽¹, 魏忠¹

附属

¹首都师范大学、宾夕法尼亚州立大学和厦门大学。

采购管理信息： 26392643
预防性维修识别码： PMC4574103
内政部： 10.1080/01621459.2014.920256

摘要

这项工作涉及超高维判别分析中的边缘确定独立特征筛选。在判别分析中，反应变量是分类的。这使得我们可以使用条件分布函数来构建一个新的特征筛选索引。本文提出了一种基于经验条件分布函数的边缘特征筛选方法。我们为所提出的过程建立了确定的筛选和排序一致性属性，而不需要对预测因子假设任何矩条件。拟议的程序有几个吸引人的优点。首先，它是无模型的，因为它的实现不需要指定回归模型。其次，它对预测因子的重尾分布和潜在异常值的存在具有鲁棒性。第三，它允许分类回答具有不同数量的类，其顺序为O（运行）(n个^κ)和一些κ≥ 0. 我们通过蒙特卡罗模拟研究和数值比较评估了该方法的有限样本特性。我们通过对两个真实数据集的实证分析进一步说明了所提出的方法。

关键词：特征筛选；排名一致性；确定屏蔽性能；超高维数据分析。

PubMed免责声明

数字

图1
（a）的箱线图变量_Y（Y）₁[F类(x个|*Y（Y）*₁)]反对*c（c）*星号表示平均值；（b）的绘图变量_Y（Y）₁[F类(x个|*Y（Y）*₁)]反对x个对于不同的*c（c）*价值观；（c）第个方框图，共个变量_Y（Y）₂[F类(x个|*Y（Y）*₂)]反对*c（c）*星号表示平均值；（d）的绘图变量_Y（Y）₂[F类(x个|*Y（Y）*₂)]反对x个对于不同的*c（c）*值。

图2
实施例2中的肺癌数据。（a） 181个样本100个随机分区训练集的分类错误箱线图；（b）测试集中分类错误的箱线图；（c）选定基因数量的方框图。

请参阅PMC中的此图像和版权信息

类似文章

超高维数据的无模型条件独立性特征筛选。
王磊，刘杰，李毅，李锐。王磊等。科学中国数学。2017年3月；60(3):551-568. doi:10.1007/s11425-016-0186-8。Epub 2016年12月29日。科学中国数学。2017 采购管理信息：28649265 免费PMC文章。
基于成对确定独立筛选的超高维多类线性判别分析。
潘瑞，王华，李瑞。 Pan R等人。 J Am Stat Assoc.2016年；111(513):169-179. doi:10.1080/01621459.2014.998760。Epub 2016年5月5日。 J Am Stat Assoc.2016年。采购管理信息：28127109 免费PMC文章。
超高维Cox模型中的特征筛选。
杨庚，于毅，李锐，Buu A。 Yang G等人。统计正弦。2016;26:881-901. doi:10.5705/ss.2014.171。统计正弦。2016 采购管理信息：27418749 免费PMC文章。
超高维协变量变系数模型的特征选择。
刘杰，李锐，吴锐。刘杰等。美国国家统计协会2014年1月1日；109（505）：266-274。doi:10.1080/01621459.2013.850086。美国统计协会杂志，2014年。采购管理信息：24678135 免费PMC文章。
具有分类响应的超高维数据的通用无模型特征筛选程序。
Cheng X，Wang H。 Cheng X等人。计算机方法程序生物识别。2023年2月；229:107269. doi:10.1016/j.cmpb.2022.107269。Epub 2022年11月26日。计算机方法程序生物识别。2023 采购管理信息：36463676 审查。

查看所有类似文章

引用人

马肠道损伤模型中肠道代谢组、微生物组和脱叶组数据的综合分析。
Whitfield-Cargile CM、Chung HC、Coleman MC、Cohen ND、Chamoun-Emanuelli AM、Ivanov I、Goldsby JS、Davidson LA、Gaynanova I、Ni Y、Chapkin RS。 Whitfield Cargile CM等人。微生物组。2024年4月15日；12(1):74. doi:10.1186/s40168-024-01785-1。微生物组。2024 采购管理信息：38622632 免费PMC文章。
使用分离和合并的去相关分数对观察数据中的高维个体化治疗规则进行估计和推断。
Liang M、Choi YG、Ning Y、Smith MA、Zhao YQ。 Liang M等人。 J Mach Learn Res.2022；23:262. J Mach Learn Res.2022年。采购管理信息：38098839 免费PMC文章。
具有高维特征的变系数模型的鲁棒稀疏学习。
熊伟，田M，唐M，潘浩。熊伟等。 J Appl Stat.2022年8月9日；50(16):3312-3336. doi:10.1080/02664763.2022.2109129。eCollection 2023年。《申请统计杂志》2022年。采购管理信息：37969890 免费PMC文章。
间隔值响应的特征筛选，并应用于研究过账工资和所需技能之间的关联。
钟伟，钱C，刘伟，朱莉，李瑞。钟伟等。美国统计协会杂志，2023年；118(542):805-817. doi:10.1080/01621459.2022.2152342。Epub 2023年1月11日。美国统计协会杂志，2023年。采购管理信息：37448462 免费PMC文章。
广义线性模型中高维变量选择的特征筛选。
江杰、尚杰。姜杰等。熵（巴塞尔）。2023年5月26日；25(6):851. doi:10.3390/e25060851。熵（巴塞尔）。2023 采购管理信息：37372195 免费PMC文章。

查看所有“被引用”文章

工具书类

1. Bhattacharjee A、Richards W、Staunton J、Li C、Monti S、Vasal P、Ladd C、Beheshti J、Bueno R、Gillette M、Loda M、Weber G、Mark E、Lander E、Wong W、Johnson B、Golub T、Sugarbaker D、Meyerson M。通过mRNA表达谱对人类肺癌的分类揭示了不同的腺癌亚类。美国国家科学院。2001;98:13790–13795.-项目管理咨询公司-公共医学
1. Clemmensen L，Hastie T，Witten D，Ersboll B.稀疏判别分析。技术计量学。2011;53:406–415.
1. Fan J，Fan Y.使用特征退火独立规则进行高维分类。统计年鉴。2008;36:2605–2637.-项目管理咨询公司-公共医学
1. Fan J，Feng Y，Song R.稀疏超高维加性模型中的非参数独立性筛选。美国统计协会杂志。2011;106:544–557.-项目管理咨询公司-公共医学
1. Fan J，Ma Y，Dai W.稀疏超高维变系数模型中的非参数独立筛选。美国统计协会杂志。2014年出版。-项目管理咨询公司-公共医学

赠款和资金

P50 DA010075/DA/NIDA NIH HHS/美国

LinkOut-更多资源

全文源
- 欧洲PubMed Central
- 公共医学中心
其他文献来源
- figrare-数据
- scite智能引文

[1] Bhattacharjee A、Richards W、Staunton J、Li C、Monti S、Vasal P、Ladd C、Beheshti J、Bueno R、Gillette M、Loda M、Weber G、Mark E、Lander E、Wong W、Johnson B、Golub T、Sugarbaker D、Meyerson M。通过mRNA表达谱对人类肺癌的分类揭示了不同的腺癌亚类。美国国家科学院。2001;98:13790–13795.-项目管理咨询公司-公共医学

[2] Bhattacharjee A、Richards W、Staunton J、Li C、Monti S、Vasal P、Ladd C、Beheshti J、Bueno R、Gillette M、Loda M、Weber G、Mark E、Lander E、Wong W、Johnson B、Golub T、Sugarbaker D、Meyerson M。通过mRNA表达谱对人类肺癌的分类揭示了不同的腺癌亚类。美国国家科学院。2001;98:13790–13795.-项目管理咨询公司-公共医学

[3] Clemmensen L，Hastie T，Witten D，Ersboll B.稀疏判别分析。技术计量学。2011;53:406–415.

[4] Clemmensen L，Hastie T，Witten D，Ersboll B.稀疏判别分析。技术计量学。2011;53:406–415.

[5] Fan J，Fan Y.使用特征退火独立规则进行高维分类。统计年鉴。2008;36:2605–2637.-项目管理咨询公司-公共医学

[6] Fan J，Fan Y.使用特征退火独立规则进行高维分类。统计年鉴。2008;36:2605–2637.-项目管理咨询公司-公共医学

[7] Fan J，Feng Y，Song R.稀疏超高维加性模型中的非参数独立性筛选。美国统计协会杂志。2011;106:544–557.-项目管理咨询公司-公共医学

[8] Fan J，Feng Y，Song R.稀疏超高维加性模型中的非参数独立性筛选。美国统计协会杂志。2011;106:544–557.-项目管理咨询公司-公共医学

[9] Fan J，Ma Y，Dai W.稀疏超高维变系数模型中的非参数独立筛选。美国统计协会杂志。2014年出版。-项目管理咨询公司-公共医学

[10] Fan J，Ma Y，Dai W.稀疏超高维变系数模型中的非参数独立筛选。美国统计协会杂志。2014年出版。-项目管理咨询公司-公共医学

将引文保存到文件

电子邮件引文

添加到集合

添加到我的书目

您保存的搜索

为外部引文管理软件创建文件

您的RSS源

超高维判别分析的无模型特征筛选

附属

用于超高维判别分析的无模型特征筛选

作者

附属

摘要

数字

类似文章

引用人

工具书类

赠款和资金

LinkOut-更多资源

全文源

其他文献来源

摘要

数字

类似文章

引用人

工具书类

相关信息

赠款和资金

LinkOut-更多资源

全文源

其他文献来源