全部 学问词条 学问文献 特征筛选 相关学问

高维数据频繁地出现在社会生活和科学研究的诸多领域,例如生物医学成像、X线断层摄影术、以及金融学和地球科学等等。在高维数据中,协变量或者参数的个数p大于样本个数n。传统的统计推断方法已经不再适用这种“大p,小n”数据。而稀疏性原则假设仅有少量预测变量对响应变量有影响,在这个原则下,...[详细]

山东大学 博士论文 2015年 下载次数(644) | 被引次数(3)

越来越多的研究表明非编码RNA在细胞中发挥着重要的生物学功能,包括控制染色体复制、RNA的加工与修饰、抑制翻译和mRNA的沉默等等。非编码RNA与编码RNA不同,非编码RNA不编码蛋白质,在以前非编码RNA一直被认为是“垃圾DNA”和“暗物质”,但是大量的研究表明众多的非编码RN...[详细]

浙江工商大学 硕士论文 2020年 下载次数(170) | 被引次数(0)

近二十年来,随着科学与技术的迅速发展,高维数据频繁地出现在诸多领域,如医学成像、X射线断层扫描、基因组关联分析、金融学和地球科学等等.顾名思义,高维数据的特点是协变量维数大于样本数量,特别是在超高维情形下,数据维数常常伴随样本数量呈指数增长.高维数据会导致许多经典的统计方法失效,...[详细]

山东大学 博士论文 2018年 下载次数(280) | 被引次数(3)

随着科技水平的飞速发展和数据收集能力的大幅提高,超高维数据(即变量个数p远大于样本个数n)已经越来越频繁地出现在包括金融学,基因学等各个领域中.在这样的大数据时代背景下,如何从超高维数据中筛选出真正重要的变量成为许多相关行业研究者们广泛关注的一个问题.而在处理此类问题时,传统的罚...[详细]

中国科学技术大学 博士论文 2017年 下载次数(253) | 被引次数(1)

伴随着人工智能和大数据的飞速发展以及海量数据收集能力的不断提升,超高维数据已经频繁的出现在大众的生活中。庞大的数据量给高维数据分析带来了许多困难与不便,并且超高维数据会常出现在许多领域,如社会科学、医学、金融学、特别是生物学和基因组学。与高维数据相比,超高维数据拥有更为复杂的数据...[详细]

南京信息工程大学 硕士论文 2022年 下载次数(51) | 被引次数(0)

在实际生产生活中,超高维数据变得越来越频繁,如疾病研究中的基因数据,经济、金融领域的数据等。虽然获得的渠道很多,但是海量数据只有少部分有用也带来了研究上的困难,而超高维数据中的纵向数据由于组内相关这个特点导致更不容易进行一般的统计研究,所以对超高维纵向数据的特征筛选研究具有很大的...[详细]

南京信息工程大学 硕士论文 2020年 下载次数(71) | 被引次数(0)

超高维数据的收集与存储,因科学技术的飞速发展已不再是问题.那么随之就面临着如何分析此类数据的困难.众所周知,超高维数据,即数据维度特别大,且往往呈现为样本量的指数级增长趋势.而传统的统计分析与推断方法已经不再适用于此类数据.通常,针对超高维数据,我们会有稀疏性原则假设仅有为数不多...[详细]

南京信息工程大学 硕士论文 2019年 下载次数(139) | 被引次数(2)

随着当代科学研究和技术发展的深入推进,超高维数据早已渗透到现代社会的各个领域当中.这一现状对统计学家而言既是机遇也挑战,一方面能够以低成本获取海量数据,另一方面传统的统计分析方法会因计算成本高、效率低下而不再适用.考虑到在超高维数据中仅有少数协变量与响应变量相关(稀疏性假设),统...[详细]

南京信息工程大学 硕士论文 2019年 下载次数(112) | 被引次数(0)

在大数据时代,采集到的数据大多是高维的、非高斯分布的,这对传统的数据分析方法提出了新的挑战。在传统的回归分析中,最小二乘法是有效的估计系数矩阵的处理方法,但当数据维数增大,其Gram矩阵不可逆的问题使得该方法失效,此时就需要先利用特征筛选进行预测变量的降维处理。为拓展特征筛选的应...[详细]

山东财经大学 硕士论文 2020年 下载次数(22) | 被引次数(0)

伴随着科学技术的高速发展以及数据搜集能力的不断提升,超高维数据日益频繁地出现在大众的视野中。由于数据量过于庞大,对超高维数据进行分析是一个难题。然而,在医学、基因学、社会学等领域经常会出现超高维缺失数据,与完整数据相比,对此类数据进行分析更为不易。因此对超高维缺失数据的研究十分有...[详细]

南京信息工程大学 硕士论文 2021年 下载次数(103) | 被引次数(0)