Implicitly Weighted Robust Classification Applied to Brain Activity Research
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00473143" target="_blank" >RIV/67985807:_____/17:00473143 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-54717-6_6" target="_blank" >http://dx.doi.org/10.1007/978-3-319-54717-6_6</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-54717-6_6" target="_blank" >10.1007/978-3-319-54717-6_6</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Implicitly Weighted Robust Classification Applied to Brain Activity Research
Popis výsledku v původním jazyce
In bioinformatics, regularized linear discriminant analysis is commonly used as a tool for supervised classification problems tailor-made for high-dimensional data with the number of variables exceeding the number of observations. However, its various available versions are too vulnerable to the presence of outlying measurements in the data. In this paper, we exploit principles of robust statistics to propose new versions of regularized linear discriminant analysis suitable for high-dimensional data contaminated by (more or less) severe outliers. The work exploits a regularized version of the minimum weighted covariance determinant estimator, which is one of highly robust estimators of multivariate location and scatter. The performance of the novel classification methods is illustrated on real data sets with a detailed analysis of data from brain activity research.
Název v anglickém jazyce
Implicitly Weighted Robust Classification Applied to Brain Activity Research
Popis výsledku anglicky
In bioinformatics, regularized linear discriminant analysis is commonly used as a tool for supervised classification problems tailor-made for high-dimensional data with the number of variables exceeding the number of observations. However, its various available versions are too vulnerable to the presence of outlying measurements in the data. In this paper, we exploit principles of robust statistics to propose new versions of regularized linear discriminant analysis suitable for high-dimensional data contaminated by (more or less) severe outliers. The work exploits a regularized version of the minimum weighted covariance determinant estimator, which is one of highly robust estimators of multivariate location and scatter. The performance of the novel classification methods is illustrated on real data sets with a detailed analysis of data from brain activity research.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA13-23940S" target="_blank" >GA13-23940S: Osobnost a spontánní mozková aktivita během klidu a sledování filmu: vzájemný vztah a strukturní determinanty</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Biomedical Engineering Systems and Technologies
ISBN
978-3-319-54716-9
ISSN
1865-0929
e-ISSN
—
Počet stran výsledku
21
Strana od-do
87-107
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Rome
Datum konání akce
21. 2. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—