Regularized Gaussian Discriminant Analysis through Eigenvalue Decomposition
基于特征值分解的正则化高斯判别分析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：摘要研究高斯分类器的协方差正则化，没有经济选择行为或特定宏观、金融预测任务，故不作领域归类。
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…
关注这篇论文的作者
基于特征值分解的正则化高斯判别分析
- 研究问题
- 在高斯判别分析中，如何通过约束各组协方差的体积、形状和方向构造分类模型，并选择预期误分类风险较低的设定。
- 方法与思路
- 作者用协方差矩阵的特征值分解构造 EDDA，对体积、形状和方向施加不同约束，并通过交叉验证选择候选判别模型。
- 材料陈述的贡献
- 摘要称，文章得到十四种模型的正态理论最大似然估计，模拟与真实数据中相较 RDA 表现良好，但未给出具体幅度。
- 阅读关注点
- 应核对各项协方差约束对应的模型、最大似然估计的可计算性，以及交叉验证设计和比较结果适用的数据条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；实验设定与误分类数值未说明，不能据此断言普遍优越或推断其他版本变化。
原文摘要
Friedman proposed a regularization technique (RDA) of discriminant analysis in the Gaussian framework. RDA uses two regularization parameters to design an intermediate classifier between the linear, the quadratic the nearest-means classifiers. In this article we propose an alternative approach, called EDDA, that is based on the reparameterization of the covariance matrix [Σ k ] of a group Gk in terms of its eigenvalue decomposition Σ k = λ k D k A k D k ′, where λk specifies the volume of density contours of Gk, the diagonal matrix of eigenvalues specifies its shape the eigenvectors specify its orientation. Variations on constraints concerning volumes, shapes orientations λ k , A k , and D k lead to 14 discrimination models of interest. For each model, we derived the normal theory maximum likelihood parameter estimates. Our approach consists of selecting a model by minimizing the sample-based estimate of future misclassification risk by cross-validation. Numerical experiments on simulated and real data show favorable behavior of this approach compared to RDA.