.png){kind=icon}
返回
CorrDA: correlation-matrix driven discriminant analysis
.png){kind=icon}
PRE
AI
DOI：10.1080/24754269.2026.2652551.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种将训练样本的相关矩阵信息集成以构建测试样本分类规则的新方法。依赖仅基于均值向量的传统判别分析方法，当训练样本均值不能代表测试样本时，性能往往较差。为解决此局限性，我们提出了一种新的判别分析方法，称为相关矩阵驱动的判别分析（CorrDA）。通过考虑训练样本中不同类别的相关矩阵，可以捕捉类别间的独特模式。CorrDA利用贝叶斯分类器和混合模型有效整合从训练样本中得出的相关矩阵信息，从而提升测试数据上的判别分析性能。通过对COVID-19数据集的分析和广泛的模拟研究，我们提供了实证证据证明CorrDA的优越性能。
Keyword:
Bayes classifier
correlation matrix
classification
EM algorithm
mixture model
pseudo-likelihood
期刊
S
IF:
1.3
论文数:
28
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息