کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10327522 681237 2013 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Sparse sufficient dimension reduction using optimal scoring
ترجمه فارسی عنوان
کاهش ابعاد کافی با استفاده از نمره مطلوب
کلمات کلیدی
ابعاد بزرگ، تجزیه و تحلیل خطی خطی، نمره مطلوب، رگرسیون معکوس برش خورده، انعطاف پذیری، کاهش اندازه مناسب،
ترجمه چکیده
کاهش ابعاد کامل یک تئوری و روشی برای کاهش ابعاد پیش بینی کننده ها است در حالی که اطلاعات در مورد رگرسیون ها حفظ می شود. در این مقاله، ما یک روش کاهش حجم جزئی را برای کاهش ابعاد قابل تفسیر پیشنهاد می کنیم. این برای موقعیت هایی طراحی شده است که تعداد پیش بینی های همبسته آن نسبت به اندازه نمونه بسیار زیاد است. روش جدید بر مبنای تفسیر بهینه مطلوب روش رگرسیون معکوس برش است. در نتیجه، چارچوب رگرسیون به ثمر رسیدن بهینه، استفاده از تکنیک های تنظیم معمول را آسان تر می کند. مطالعات شبیه سازی اثربخشی و کارایی روش پیشنهادی را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Sufficient dimension reduction is a body of theory and methods for reducing the dimensionality of predictors while preserving information on regressions. In this paper we propose a sparse dimension reduction method to perform interpretable dimension reduction. It is designed for situations in which the number of correlated predictors is very large relative to the sample size. The new procedure is based on the optimal scoring interpretation of the sliced inverse regression method. As a result, the regression framework of optimal scoring facilitates the use of commonly used regularization techniques. Simulation studies demonstrate the effectiveness and efficiency of the proposed approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 57, Issue 1, January 2013, Pages 223-232
نویسندگان
, ,