Penalised Reduction & Classification Toolbox

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14110%2F16%3A00088847" target="_blank" >RIV/00216224:14110/16:00088847 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Penalised Reduction & Classification Toolbox

Popis výsledku v původním jazyce

Penalised Reduction &amp; Classification Toolbox provides algorithms for reduction and classification of various types of data, such as genetic data, two-dimensional (2-D) face image data or three-dimensional (3-D) brain image data. The algorithms were implemented as functions in MATLAB environment. Nowadays, the toolbox enables reduction of data by selecting most discriminative features using penalised linear discriminant analysis (pLDA) with resampling, penalised linear regression (pLR) with resampling, and t-test or feature extraction using intersubject principal component analysis (isPCA). The reduced data are then classified into two groups using linear discriminant analysis (LDA) or linear support vector machines (SVM). Classification performance of methods acquired by leave-one-out cross-validation can be compared using the McNemar’s test.

Název v anglickém jazyce

Penalised Reduction & Classification Toolbox

Popis výsledku anglicky

Penalised Reduction &amp; Classification Toolbox provides algorithms for reduction and classification of various types of data, such as genetic data, two-dimensional (2-D) face image data or three-dimensional (3-D) brain image data. The algorithms were implemented as functions in MATLAB environment. Nowadays, the toolbox enables reduction of data by selecting most discriminative features using penalised linear discriminant analysis (pLDA) with resampling, penalised linear regression (pLR) with resampling, and t-test or feature extraction using intersubject principal component analysis (isPCA). The reduced data are then classified into two groups using linear discriminant analysis (LDA) or linear support vector machines (SVM). Classification performance of methods acquired by leave-one-out cross-validation can be compared using the McNemar’s test.

Druh

R - Software

CEP obor

FH - Neurologie, neurochirurgie, neurovědy

OECD FORD obor

—

Projekt

<a href="/cs/project/NT13359" target="_blank" >NT13359: Pokročilé metody rozpoznávání MR obrazů mozku pro podporu diagnostiky neuropsychiatrických poruch</a><br>

Návaznosti

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

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Interní identifikační kód produktu

Penalised Toolbox

Technické parametry

Eva Janoušová, Masarykova univerzita, Kamenice 126/3, Brno, janousova@iba.muni.cz

Ekonomické parametry

Software je volně dostupný na uvedené webové adrese a implementovatelny v prostředí MATLAB

IČO vlastníka výsledku

00216224

Název vlastníka

Masarykova univerzita