Improving implementation of linear discriminant analysis for the high dimension/small sample size problem

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F07%3A00005248" target="_blank" >RIV/00216208:11320/07:00005248 - isvavai.cz</a>

Alternative codes found

RIV/67985807:_____/07:00086648 RIV/00216208:11320/07:00101529

Result on the web

—

DOI - Digital Object Identifier

—

Result language

angličtina

Original language name

Improving implementation of linear discriminant analysis for the high dimension/small sample size problem

Original language description

Classification based on Fisher's linear discriminant analysis (FLDA) is challenging when the number of variables largely exceeds the number of given samples. The original FLDA needs to be carefully modified and with high dimensionality implementation issues like reduction of storage costs are of crucial importance. Methods are reviewed for the high dimension/small sample size problem and the one closest, in some sense, to the classical regular approach is chosen. The implementation of this method with regard to computational and storage costs and numerical stability is improved. This is achieved through combining a variety of known and new implementation strategies. Experiments demonstrate the superiority, with respect to both overall costs and classification rates, of the resulting algorithm compared with other methods.

Czech name

Vylepšení implementace linearní diskriminační analýzy pro 'high dimension/small sample size problem'.

Czech description

Klasifikace na základě Fisherovy lineární diskriminační analýzy (FLDA) je složitou úlohou v případě, že počet proměnných je o mnoho vyšší než počet daných instancí objektů. Původní FLDA je potřeba pečlivě modifikovat i s ohledem na fakt, že ve vysokých dimenzích hrají důležitou roli implementační otázky jako např. redukce pamětových nákladů. Článek probere různé metody pro high dimension/ small sample size problem a vybere metodu, která je v určitém smyslu nejblíže klasickému regulárnímu postupu. Článekse dále zabývá implementací vybrané metody a to rovněž s ohledem na její vylepšení vzhledem k výpočetním a paměťovým nákladům a vzhledem k numerické stabilitě. Vylepšení je dosaženo kombinací několika známých i zcela nových implementačních strategií. Provedené experimenty prokazují kvalitativně lepší hodnoty celkových numerických nákladů i chyby klasifikace u výsledného algoritmu než u ostatních metod.

Type

J_x - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)

CEP classification

BB - Applied statistics, operational research

OECD FORD branch

—

Project

Result was created during the realization of more than one project. More information in the Projects tab.

Continuities

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Publication year

2007

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Name of the periodical

Computational Statistics and Data Analysis

ISSN

0167-9473

e-ISSN

—

Volume of the periodical

52

Issue of the periodical within the volume

1

Country of publishing house

NL - THE KINGDOM OF THE NETHERLANDS

Number of pages

15

Pages from-to

423-437

UT code for WoS article

—

EID of the result in the Scopus database

—