Depth-Based Classification for Distributions with Nonconvex Support

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F13%3A10173473" target="_blank" >RIV/00216208:11320/13:10173473 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989592:15310/13:33157689

Výsledek na webu

<a href="http://www.hindawi.com/journals/jps/2013/629184/" target="_blank" >http://www.hindawi.com/journals/jps/2013/629184/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1155/2013/629184" target="_blank" >10.1155/2013/629184</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Depth-Based Classification for Distributions with Nonconvex Support

Popis výsledku v původním jazyce

Halfspace depth became a popular nonparametric tool for statistical analysis of multivariate data during the last two decades. One of applications of data depth considered recently in literature is the classification problem. The data depth approach is used instead of the linear discriminant analysis mostly to avoid the parametric assumptions and to get better classifier for data whose distribution is not elliptically symmetric, for example, skewed data. In our paper, we suggest to use weighted versionof halfspace depth rather than the halfspace depth itself in order to obtain lower misclassification rate in the case of "nonconvex" distributions. Simulations show that the results of depth-based classifiers are comparable with linear discriminant analysis for two normal populations, while for nonelliptic distributions the classifier based on weighted halfspace depth outperforms both linear discriminant analysis and classifier based on the usual (nonweighted) halfspace depth.

Název v anglickém jazyce

Depth-Based Classification for Distributions with Nonconvex Support

Popis výsledku anglicky

Halfspace depth became a popular nonparametric tool for statistical analysis of multivariate data during the last two decades. One of applications of data depth considered recently in literature is the classification problem. The data depth approach is used instead of the linear discriminant analysis mostly to avoid the parametric assumptions and to get better classifier for data whose distribution is not elliptically symmetric, for example, skewed data. In our paper, we suggest to use weighted versionof halfspace depth rather than the halfspace depth itself in order to obtain lower misclassification rate in the case of "nonconvex" distributions. Simulations show that the results of depth-based classifiers are comparable with linear discriminant analysis for two normal populations, while for nonelliptic distributions the classifier based on weighted halfspace depth outperforms both linear discriminant analysis and classifier based on the usual (nonweighted) halfspace depth.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BA - Obecná matematika

OECD FORD obor

—

Projekt

<a href="/cs/project/EE2.3.20.0170" target="_blank" >EE2.3.20.0170: Budování výzkumně-vzdělávacího týmu v oblasti modelování přírodních jevů a využití geoinformačních systémů, s vazbou na zapojení do mezinárodních sítí a programů.</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název periodika

Journal of Probability and Statistics

ISSN

1687-952X

e-ISSN

—

Svazek periodika

2013

Číslo periodika v rámci svazku

September

Stát vydavatele periodika

EG - Egyptská arabská republika

Počet stran výsledku

7

Strana od-do

1-7

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—