Sparse linear discriminant analysis by thresholding for high dimensional data
高维数据中基于阈值化的稀疏线性判别分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用高维分类和基因数据，未提供离散选择建模或金融预测等方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
高维数据中基于阈值化的稀疏线性判别分析
- 研究问题
- 当分类变量数量远大于训练样本量时，传统线性判别分析为何表现不佳，如何利用参数稀疏性构造具有渐近保证的分类规则？
- 方法与思路
- 作者分析高维线性判别分析失效的情形，提出基于阈值化的稀疏方法，并用白血病基因分类实例及模拟考察其表现。
- 材料陈述的贡献
- 摘要称所提稀疏线性判别方法在某些未知参数稀疏条件下渐近最优，同时提供高维分类的实例说明和模拟评估。
- 阅读关注点
- 阅读全文时应核对稀疏条件、阈值选择与最优性的评价标准，以及实例中的训练评估方式和模拟所采用的比较方法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体稀疏要求、风险界与模拟结果未说明，不能将渐近最优性解释为普遍分类优势。
原文摘要
In many social, economical, biological and medical studies, one objective is to classify a subject into one of several classes based on a set of variables observed from the subject. Because the probability distribution of the variables is usually unknown, the rule of classification is constructed using a training sample. The well-known linear discriminant analysis (LDA) works well for the situation where the number of variables used for classification is much smaller than the training sample size. Because of the advance in technologies, modern statistical studies often face classification problems with the number of variables much larger than the sample size, and the LDA may perform poorly. We explore when and why the LDA has poor performance and propose a sparse LDA that is asymptotically optimal under some sparsity conditions on the unknown parameters. For illustration of application, we discuss an example of classifying human cancer into two classes of leukemia based on a set of 7,129 genes and a training sample of size 72. A simulation is also conducted to check the performance of the proposed method.