gamma-SUP on PCA

NCU Institutional Repository > 理學院 > 統計研究所 > 博碩士論文 > Item 987654321/95264

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/95264

题名:	gamma-SUP on PCA
作者:	蔡姵綾;Tsai, Pei-Ling
贡献者:	統計研究所
关键词:	聚類演算法;γ-散度;γ-自我更新過程;主成分分析;自我更新過程;clustering algorithm;γ-divergence;γ-SUP;principal component analysis;self-updating process
日期:	2024-07-10
上传时间:	2024-10-09 16:36:30 (UTC+8)
出版者:	國立中央大學
摘要:	主成分分析（PCA）是一種廣泛使用的統計工具，用於降低大型資料集的維度，同時保留大部分資訊。一個關鍵是將 PCA 應用於聚類分析，這在異常檢測、生物學和醫學等領域至關重要。傳統的基於模型的方法對模型錯誤指定很敏感，並且需要預先定義聚類的數量，可能會導致偏差的結果或不穩定的推理。在本文中，我們提出了一種新穎的 PCA 方法，稱為 γ-SUP PCA，它將 γ-SUP 方法與 PCA 結合，用來避免了指定聚類數量和特定的模型選擇，同時有效地提取重要特徵。數值研究將證明所提出方法的穩健性能。;Principal component analysis (PCA) is a widely used statistical tool for reducing the dimensionality of large data sets while retaining most of the information. A key area of interest is applying PCA to cluster analysis, which is crucial in fields such as anomaly detection, biology, and medicine. Traditional model-based approaches are sensitive to model mis-specification and require a predefined number of clusters, potentially leading to biased results or unstable inferences. In this article, we propose a novel PCA method, γ-SUP PCA, which combines the γ-SUP approach with PCA. This method circumvents the need to specify the number of clusters and model selection, while effectively extracting important features. Numerical studies will demonstrate the robust performance of the proposed method.
显示于类别:	[統計研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	10	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....