.png){kind=icon}
返回
Benchmarking multiblock methods with canonical factorization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.chemolab.2024.105240.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
根据相同的观察结果测量并以变量块组织的数据-来自不同的测量源或从用户指定的主题推导-在实践中很常见。多块探索性方法是从减少的和可解释的公共空间中的数据中提取信息的有用工具。然而，已经独立地提出了许多方法，并且用户常常在选择适当的方法时迷失了方向，特别是因为它们并不总是导致相同的结果，或者因为输出不具有相同的形式。为此，引入了通过规范因子分解的数据分解，从而将其应用于一些广泛使用的方法，CPCA，MCOA，MFA，STATIS和CCSWA。在结构受控 (分别为已知) 的模拟 (分别为真实) 数据上比较了这些方法。理论和实践结果指出，必须事先仔细探索块状结构。块变量的数量和沿着维度的块方差分布影响块缩放的选择。块内和块之间的观察结构影响方法的选择。CPCA或MCOA混合了常见信息和特定信息，STATIS仅突出了常见结构，而CCSWA则侧重于特定信息。为了实现这些诊断，R、Matlab或Galaxy上提供了方法和建议的比较工具。
Keyword:
Data integration
Factorization
Multiblock data decomposition
Exploratory multiblock analysis
Principal component analysis
期刊
IF:
3.8
论文数:
4.6K
被引数:
1.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏
查看更多内容