Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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