文献

J-GLOBAL ID：202102245889290852   整理番号：21A3269285

ロバストな特性を持つ結合スパース主成分回帰【JST・京大機械翻訳】

Joint sparse principal component regression with robust property

著者 (3件)： Qi Kai (College of Mathematics and Statistics, Chongqing University, Chongqing, 401331, China) ,  Tu Jingwen (College of Mathematics and Statistics, Chongqing University, Chongqing, 401331, China) ,  Yang Hu (College of Mathematics and Statistics, Chongqing University, Chongqing, 401331, China)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 187  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 標準主成分回帰(PCR)は,応答変数を考慮せずに主成分を選択する。したがって,標準PCRは十分に正確なモデルを作り出すことができない。スパース主成分回帰(SPCR)は,主成分を抽出し,線形回帰モデルを同時に構築する新しい1段階手順である。SPCRは標準主成分回帰とスパース主成分分析(SPCA)の組み合わせとして見ることができるので,それらから多くの欠点を継承する。その結果,絶対制約と最小二乗損失関数は,SPCRがジョイント特性とロバスト性を欠いている。これらの問題に取り組むために,本論文では,重要な特徴を同時に選択し,ロバストに係数を推定することができる,共同スパース主成分回帰(JSPCR)を提案した。したがって,JSPCRはより高い予測精度を有する。負荷行列のスパース性を促進するために,スパースグループペナルティを適用し,JSPCRを結合バイレベルスパースPCR(JBSPCR)に拡張した。交互最適化基準を導出し,その収束を証明した。合成データシミュレーションと実際のデータ解析は,JSPCRがSPCRと他の有名な次元縮小手順またはスパース技術より優れていることを強力に支持する。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最小二乗法 ,  最適化 ,  シミュレーション ,  損失関数 ,  データ解析 ,  主成分分析 ,  次元縮小 ,  ペナルティ ,  *ロバスト性
準シソーラス用語： スパース性 ,  予測精度 ,  線形回帰モデル ,  *主成分回帰 , 【Automatic Indexing@JST】

著者キーワード (4件)： 次元縮小 ,  継手特性 ,  主成分回帰 ,  ロバスト性

分類 (3件)： 有機化合物の物理分析  (CC03034A) ,  信号理論  (ND02020G) ,  薬物の分析  (GV01040Q)

タイトルに関連する用語 (2件)： ロバスト ,  主成分回帰