Zastosowanie odpornej regresji logistycznej do klasyfikacji wielowymiarowych danych funkcjonalnych
DOI:
https://doi.org/10.18778/0208-6018.334.04Słowa kluczowe:
analiza regresji dla danych funkcjonalnych, estymacja odporna, model regresji logistycznej, rozwinięcie funkcji w bazie funkcyjnej, wielowymiarowe dane funkcjonalne, zagadnienie klasyfikacjiAbstrakt
W niniejszym artykule rozważany jest problem dwuetykietowej klasyfikacji wielowymiarowych danych funkcjonalnych. Zaproponowane rozwiązanie tego problemu oparto na technikach regresyjnych i modelu regresji logistycznej dla danych funkcjonalnych. Model ten został przekształcony do szczególnego modelu regresji logistycznej za pomocą rozwinięcia (będących funkcjami) współczynników regresji i zmiennych objaśniających w bazie funkcyjnej. Na podstawie tego modelu skonstruowana została reguła klasyfikacyjna. W przypadku występowania obserwacji odstających rozważane są również metody odpornej estymacji nieznanych parametrów. Eksperymenty numeryczne sugerują, że proponowane metody mogą z powodzeniem być wykorzystane w praktycznych zagadnieniach.
Pobrania
Bibliografia
Ahmad S., Ramli N.M., Midi H. (2010), Robust estimators in logistic regression: A Comparative simulation study, “Journal of Modern Applied Statistical Methods”, vol. 9, pp. 502–511.
Bianco A.M., Yohai V.J. (1996), Robust estimation in the logistic regression model, [in:] H. Reider (ed.), Robust statistics, Data analysis and computer intensive methods, Springer Verlag, New York.
Chiou J.M., Müller H.G., Wang J.L. (2004), Functional response models, “Statistica Sinica”, vol. 14, pp. 675–693.
Chiou J.M., Yang Y.F., Chen Y.T. (2016), Multivariate functional linear regression and prediction, “Journal of Multivariate Analysis”, vol. 146, pp. 301–312.
Collazos J.A.A., Dias R., Zambom A.Z. (2016), Consistent variable selection for functional regression models, “Journal of Multivariate Analysis”, vol. 146, pp. 63–71.
Croux C., Haesbroeck G. (2003), Implementing the Bianco and Yohai estimator for logistic regression, “Computational Statistics & Data Analysis”, vol. 44, pp. 273–295.
Febrero‑Bande M., Galeano P., González‑Manteiga W. (2007), A functional analysis of NO_x levels: location and scale estimation and outlier detection, “Computational Statistics”, vol. 22, pp. 411–427.
Febrero‑Bande M., Galeano P., González‑Manteiga W. (2008), Outlier detection in functional data by depth measures, with application to identify abnormal NO_x levels, “Environmetrics”, vol. 19, pp. 331–345.
Febrero‑Bande M., Oviedo de la Fuente M. (2012), Statistical computing in functional data analysis: The R package fda.usc, “Journal of Statistical Software”, vol. 51, pp. 1–28.
Ferraty F., Vieu P. (2006), Nonparametric Functional Data Analysis: Theory and Practice, Springer, New York.
Giacofci M., Lambert‑Lacroix S., Marot G., Picard F. (2013), Wavelet‑based clustering for mixed‑effects functional models in high dimension, “Biometrics”, vol. 69, pp. 31–40.
Górecki T., Krzyśko M., Wołyński W. (2015), Classification problem based on regression models for multidimensional functional data, “Statistics in Transition New Series”, no. 16, pp. 97–110.
Górecki T., Łaźniewska E. (2013), Funkcjonalna analiza składowych głównych PKB, “Wiadomości Statystyczne”, no. 4, pp. 23–34.
Górecki T., Smaga Ł. (2015), A comparison of tests for the one‑way ANOVA problem for functional data, “Computational Statistics”, vol. 30, pp. 987–1010.
Górecki T., Smaga Ł. (2017), Multivariate analysis of variance for functional data, “Journal of Applied Statistics”, vol. 44, pp. 2172–2189.
Horváth L., Kokoszka P. (2012), Inference for Functional Data with Applications, Springer, New York.
Hubert M., Rousseeuw P.J., Segaert P. (2015), Multivariate functional outlier detection, “Statistical Methods & Applications”, vol. 24, pp. 177–202.
James G.H., Hastie T.J. (2001), Functional linear discriminant analysis for irregularly sampled curves, “Journal of the Royal Statistical Society: Series B (Statistical Methodology)”, vol. 63, pp. 533–550.
Jaworski S., Pietrzykowski R. (2014), Spatial comparison of the level and rate of change of farm income in the years 2004–2012, “Acta Universitatis Lodziensis, Folia Oeconomica”, no. 307, pp. 29–44.
Kayano M., Konishi S. (2009), Functional principal component analysis via regularized Gaussian basis expansions and its application to unbalanced data, “Journal of Statistical Planning and Inference”, vol. 139, pp. 2388–2398.
Krzyśko M., Waszak Ł. (2013), Canonical correlation analysis for functional data, “Biometrical Letters”, no. 50, pp. 95–105.
Krzyśko M., Wołyński W. (2009), New variants of pairwise classification, “European Journal of Operational Research”, vol. 199, pp. 512–519.
Krzyśko M., Wołyński W., Górecki T., Skorzybut M. (2008), Learning Systems, WNT, Warsaw.
Künsch H.R., Stefanski L.A., Carroll R.J. (1989), Conditionally unbiased bounded influence estimation in general regression models, with applications to generalized linear models, “Journal of American Statistical Association”, vol. 84, pp. 460–466.
Maechler M., Rousseeuw P., Croux C., Todorov V., Ruckstuhl A., Salibian‑Barrera A., Verbeke T., Koller M., Conceicao E.L.T., di Palma M.A. (2016), robustbase: Basic Robust Statistics, R package version 0.92–7, http://CRAN.R‑project.org/package=robustbase [accessed: 5.04.2017].
Mallows C.L. (1975), On some topics in robustness, Bell Telephone Laboratories, Murray Hill.
Matsui H., Konishi K. (2011), Variable selection for functional regression models via the L1 regularization, “Computational Statistics & Data Analysis”, vol. 55, pp. 3304–3310.
Olszewski R.T. (2001), Generalized feature extraction for structural pattern recognition in time‑series data. Ph.D. Thesis, Carnegie Mellon University, Pittsburgh, http://www.cs.cmu.edu/~bobski [accessed: 10.04.2017].
Ramsay J.O., Hooker G., Graves G. (2009), Functional Data Analysis with R and MATLAB, Springer, Berlin.
Ramsay J.O., Silverman B.W. (2002), Applied Functional Data Analysis. Methods and Case Studies, Springer, New York.
Ramsay J.O., Silverman B.W. (2005), Functional Data Analysis, 2nd Edition, Springer, New York.
Ramsay J.O., Wickham H., Graves S., Hooker G. (2014), fda – Functional Data Analysis, R package version 2.4.3, http://CRAN.R‑project.org/package=fda [accessed: 28.01.2017].
R Core Team (2017), R: A language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, https://www.R‑project.org/ [accessed: 10.01.2017].
Rodriguez J.J., Alonso C.J., Maestro J.A. (2005), Support vector machines of interval based features for time series classification, “Knowledge‑Based Systems”, vol. 18, pp. 171–178.
Rousseeuw P.J. (1985), Multivariate estimation with high breakdown point, [in:] W. Grossmann, G. Pflug, I. Vincze, W. Wertz (eds.), Mathematical Statistics and Applications, vol. B, Reidel, Dordrecht.
Wang J., Zamar R., Marazzi A., Yohai V., Salibian‑Barrera M., Maronna R., Zivot E., Rocke D., Martin D., Maechler M., Konis K. (2014), robust: Robust Library, R package version 0.4–16, https://CRAN.R‑project.org/package=robust [accessed: 6.04.2017].
Zhang J.T. (2013), Analysis of Variance for Functional Data, Chapman & Hall, London.
Pobrania
Pliki dodatkowe
- Canadian weather data (Angielski)
- ECG data (Angielski)
- 10-fold cross-validation error rates (as percentages) for different values of truncation parameter B by using classifier (7) based on the MLE, MALLOWS, CUBIF and BY estimators for Canadian weather data (Angielski)
- 10-fold cross-validation error rates (as percentages) for different values of truncation parameter B by using classifier (7) based on the MLE, MALLOWS, CUBIF, BY and WBY estimators for ECG data (Angielski)
Opublikowane
Numer
Dział
Jak cytować
