Skip to main content
Erweiterte Suche
Anmelden
nach oben
Journal of Classification
Erschienen in:

09.01.2020

An Impartial Trimming Approach for Joint Dimension and Sample Reduction

verfasst von: Luca Greco, Antonio Lucadamo, Pietro Amenta

Erschienen in: Journal of Classification | Ausgabe 3/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Reduzierte und faktorielle k-Mittel sind Techniken zur Datenreduzierung, die sich gut zur gleichzeitigen Dimensionierung und Probenreduzierung durch PCA und Clustering eignen. Das Auftreten von Datenunzulänglichkeiten kann Standardanalysen entkräften. Tatsächlich kann die Kontamination in den vorliegenden Daten die zugrunde liegende Clusterstruktur der Daten verbergen. Ein attraktiver Ansatz zur Entwicklung robuster Gegenstücke zu faktoriellen und reduzierten k-Mitteln wird durch unvoreingenommenes Trimmen gegeben. Die Idee ist, einen Bruchteil der Beobachtungen zu verwerfen, die als am weitesten von den Zentroiden entfernt ausgewählt werden. Das endliche Probenverhalten der vorgeschlagenen Methoden wurde durch einige numerische Studien und reale Datenbeispiele untersucht.
Mit KI übersetzt
Vorheriger Artikel Lorenz Model Selection
Nächster Artikel A Note on the Formal Implementation of the K-means Algorithm with Hard Positive and Negative Constraints

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
Atkinson, A. (1994). Fast very robust methods for the detection of multiple outliers. Journal of the American Statistical Association, 89(428), 1329–1339.MATHCrossRef
Cerioli, A., & Farcomeni, A. (2011). Error rates for multivariate outlier detection. Computational Statistics & Data Analysis, 55(1), 544–553.MathSciNetMATHCrossRef
Croux, C., Filzmoser, P., Fritz, H. (2013). Robust sparse principal component analysis. Technometrics, 55(2), 202–214.MathSciNetCrossRef
Cuesta-Albertos, J., Gordaliza, A., Matrán, C. (1997). Trimmed k-means: an attempt to robustify quantizers. The Annals of Statistics, 25(2), 553–576.MathSciNetMATHCrossRef
De Soete, G., & Carroll, J.D. (1994). K-means clustering in a low-dimensional euclidean space. In: New approaches in classification and data analysis (pp. 212–219). Springer.
Dotto, F., Farcomeni, A., García-Escudero, L.A., Mayo-Iscar, A. (2017). A fuzzy approach to robust regression clustering. Advances in Data Analysis and Classification, 11(4), 691–710.MathSciNetMATHCrossRef
Dotto, F., Farcomeni, A., García-Escudero, L.A., Mayo-Iscar, A. (2018). A reweighting approach to robust clustering. Statistics and Computing, 28(2), 477–493.MathSciNetMATHCrossRef
Farcomeni, A. (2009). Robust double clustering: a method based on alternating concentration steps. Journal of Classification, 26(1), 77–101.MathSciNetMATHCrossRef
Farcomeni, A., & Greco, L. (2015). Robust methods for data reduction. CRC press.
Frank, A., & Asuncion, A. (2010). UCI Machine learning repository university of california school of information and computer science. Irvine, CA.
Gallegos, M., & Ritter, G. (2005). A robust method for cluster analysis. Annals of Statistics, 347–380.
Garcia-Escudero, L.A., & Gordaliza, A. (1999). Robustness properties of k means and trimmed k means. Journal of the American Statistical Association, 94(447), 956–969.MathSciNetMATH
García-Escudero, L.A., Gordaliza, A., Matrán, C. (2003). Trimming tools in exploratory data analysis. Journal of Computational and Graphical Statistics, 12(2), 434–449.MathSciNetCrossRef
García-Escudero, L.A., Gordaliza, A., Matrán, C., Mayo-Iscar A. (2011). Exploring the number of groups in robust model-based clustering. Statistics and Computing, 21(4), 585–599.MathSciNetMATHCrossRef
Gebeyaw M. (2017). Web scraping and applied clustering global happiness and social progress index. datasciencepluscom.
Gordaliza, A. (1991). Best approximations to random variables based on trimming procedures. Journal of Approximation Theory, 64(2), 162–180.MathSciNetMATHCrossRef
Greco, L., & Farcomeni, A. (2016). A plug-in approach to sparse and robust principal component analysis. Test, 25(3), 449–481.MathSciNetMATHCrossRef
Helliwell, J., Layard, R., Sachs, J. (2017). World happiness report 2017.
Hubert, L., & Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1), 193–218.MATHCrossRef
Kaufman, L., & Rousseeuw, P. (2009). Finding groups in data: an introduction to cluster analysis Vol. 344. New York: Wiley.
Rocci, R., Gattone, S.A., Vichi, M. (2011). A new dimension reduction method: Factor discriminant k-means. Journal of Classification, 28(2), 210–226.MathSciNetMATHCrossRef
Rocke, D.M., & Woodruff, D.L. (1996). Identification of outliers in multivariate data. Journal of the American Statistical Association, 91(435), 1047–1061.MathSciNetMATHCrossRef
Rousseeuw, P., & Driessen, K. (1999). A fast algorithm for the minimum covariance determinant estimator. Technometrics, 41(3), 212–223.CrossRef
Timmerman, M., Ceulemans, E., Kiers, H.A., Vichi, M. (2010). Factorial and reduced k-means reconsidered. Computational Statistics & Data Analysis, 54(7), 1858–1871.MathSciNetMATHCrossRef
Vichi, M., & Kiers, H. (2001). Factorial k-means analysis for two-way data. Computational Statistics & Data Analysis, 37(1), 49–64.MathSciNetMATHCrossRef
Vichi, M., Rocci, R., Kiers, H.A. (2007). Simultaneous component and clustering models for three-way data: within and between approaches. Journal of Classification, 24(1), 71–98.MathSciNetMATHCrossRef
Zou, H., Hastie, T., Tibshirani, R. (2006). Sparse principal component analysis. Journal of Computational and Graphical Statistics, 15(2), 265–286.MathSciNetCrossRef
Metadaten
Titel
An Impartial Trimming Approach for Joint Dimension and Sample Reduction
verfasst von
Luca Greco
Antonio Lucadamo
Pietro Amenta
Publikationsdatum
09.01.2020
Verlag
Springer US
Erschienen in
Journal of Classification / Ausgabe 3/2020
Print ISSN: 0176-4268
Elektronische ISSN: 1432-1343
DOI
https://doi.org/10.1007/s00357-019-09354-0

Weitere Artikel der Ausgabe 3/2020

Proximity Curves for Potential-Based Clustering

  • Open Access

Are We Underestimating Food Insecurity? Partial Identification with a Bayesian 4-Parameter IRT Model

Unequal Priors in Linear Discriminant Analysis

Editorial: Journal of Classification Vol. 37-3

C443: a Methodology to See a Forest for the Trees

Lorenz Model Selection

Premium Partner

    Bildnachweise