RR-classifier: a nonparametric classification procedure in multidimensional space based on relative ranks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F21%3A73610108" target="_blank" >RIV/61989592:15310/21:73610108 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/content/pdf/10.1007/s10182-021-00423-7.pdf" target="_blank" >https://link.springer.com/content/pdf/10.1007/s10182-021-00423-7.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s10182-021-00423-7" target="_blank" >10.1007/s10182-021-00423-7</a>

Jazyk výsledku

angličtina

Název v původním jazyce

RR-classifier: a nonparametric classification procedure in multidimensional space based on relative ranks

Popis výsledku v původním jazyce

Notions of data depth have motivated nonparametric multivariate analysis, especially in supervised learning. Maximum depth classifiers, classifiers based on depth-depth plots and depth distribution classifiers are nonparametric classification methodologies based on the notions of data depth and are Bayes-optimal rule under certain conditions. This paper proposes rank-rank plot for classification. Theoretical properties of the suggested classifier are investigated in some particular cases given by specific distributional assumptions. The performance of the proposed classification method is further investigated using simulated datasets.

Název v anglickém jazyce

RR-classifier: a nonparametric classification procedure in multidimensional space based on relative ranks

Popis výsledku anglicky

Notions of data depth have motivated nonparametric multivariate analysis, especially in supervised learning. Maximum depth classifiers, classifiers based on depth-depth plots and depth distribution classifiers are nonparametric classification methodologies based on the notions of data depth and are Bayes-optimal rule under certain conditions. This paper proposes rank-rank plot for classification. Theoretical properties of the suggested classifier are investigated in some particular cases given by specific distributional assumptions. The performance of the proposed classification method is further investigated using simulated datasets.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/EF17_049%2F0008408" target="_blank" >EF17_049/0008408: Hydrodynamický design čerpadel</a><br>

Návaznosti

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

Rok uplatnění

2021

Kód důvěrnosti údajů

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

Název periodika

AStA-Advances in Statistical Analysis

ISSN

1863-8171

e-ISSN

—

Svazek periodika

105

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

19

Strana od-do

675-693

Kód UT WoS článku

000709659400001

EID výsledku v databázi Scopus

2-s2.0-85117502398