Dimensionality reduction methods for biomedical data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11110%2F18%3A10391350" target="_blank" >RIV/00216208:11110/18:10391350 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/18:00491813
Výsledek na webu
<a href="https://ojs.cvut.cz/ojs/index.php/CTJ/article/view/4425" target="_blank" >https://ojs.cvut.cz/ojs/index.php/CTJ/article/view/4425</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Dimensionality reduction methods for biomedical data
Popis výsledku v původním jazyce
The aim of this paper is to present basic principles of common multivariate statistical approaches to dimensionality reduction and to discuss three particular approaches, namely feature extraction, (prior) variable selection, and sparse variable selection. Their important examples are also presented in the paper, which includes the principal component analysis, minimum redundancy maximum relevance variable selection, and nearest shrunken centroid classifier with an intrinsic variable selection. Each of the three methods is illustrated on a real dataset with a biomedical motivation, including a biometric identification based on keystroke dynamics or a study of metabolomic profiles. Advantages and benefits of performing dimensionality reduction of multivariate data are discussed.
Název v anglickém jazyce
Dimensionality reduction methods for biomedical data
Popis výsledku anglicky
The aim of this paper is to present basic principles of common multivariate statistical approaches to dimensionality reduction and to discuss three particular approaches, namely feature extraction, (prior) variable selection, and sparse variable selection. Their important examples are also presented in the paper, which includes the principal component analysis, minimum redundancy maximum relevance variable selection, and nearest shrunken centroid classifier with an intrinsic variable selection. Each of the three methods is illustrated on a real dataset with a biomedical motivation, including a biometric identification based on keystroke dynamics or a study of metabolomic profiles. Advantages and benefits of performing dimensionality reduction of multivariate data are discussed.
Klasifikace
Druh
J<sub>SC</sub> - Článek v periodiku v databázi SCOPUS
CEP obor
—
OECD FORD obor
30502 - Other medical science
Návaznosti výsledku
Projekt
<a href="/cs/project/NV15-29835A" target="_blank" >NV15-29835A: Analýza funkční organizace epileptogenních sítí s využitím teorie grafů: význam pro předoperační diagnostiku pacientů s neokortikální epilepsií.</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Lékař a technika
ISSN
0301-5491
e-ISSN
—
Svazek periodika
48
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
7
Strana od-do
29-35
Kód UT WoS článku
—
EID výsledku v databázi Scopus
2-s2.0-85049794593