Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On Limiting Donor Usage for Imputation of Missing Data via Hot Deck Methods Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

DDα-Classification of Asymmetric and Fat-Tailed Data

verfasst von : Tatjana Lange, Karl Mosler, Pavlo Mozharovskyi

Erschienen in: Data Analysis, Machine Learning and Knowledge Discovery

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

The DDα-procedure is a fast nonparametric method for supervised classification of d-dimensional objects into q ≥ 2 classes. It is based on q-dimensional depth plots and the α-procedure, which is an efficient algorithm for discrimination in the depth space [0, 1] q . Specifically, we use two depth functions that are well computable in high dimensions, the zonoid depth and the random Tukey depth, and compare their performance for different simulated data sets, in particular asymmetric elliptically and t-distributed data.

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
Vorheriges Kapitel Predictive Validity of Tracking Decisions: Application of a New Validation Criterion
Nächstes Kapitel The Alpha-Procedure: A Nonparametric Invariant Method for Automatic Classification of Multi-Dimensional Objects
Literatur
Cuesta-Albertos, J. A., & Nieto-Reyes, A. (2008). The random Tukey depth. Computational Statistics and Data Analysis, 52, 4979–4988.MathSciNetCrossRefMATH
Dutta, S., & Ghosh, A. K. (2012). On robust classification using projection depth. Annals of the Institute of Statistical Mathematics, 64, 657–676.MathSciNetCrossRefMATH
Dutta, S., & Ghosh, A. K. (2012). On classification based on L p depth with an adaptive choice of p. Technical Report Number R5/2011, Statistics and Mathematics Unit, Indian Statistical Institute, Kolkata, India.
Dyckerhoff, R., Koshevoy, G., & Mosler, K. (1996). Zonoid data depth: Theory and computation. In A. Prat (Ed.), COMPSTAT 1996 - Proceedings in computational statistics (pp. 235–240). Heidelberg: Physica.
Frahm, G. (2004). Generalized elliptical distributions: Theory and applications. Doctoral thesis. University of Cologne.
Ghosh, A. K., & Chaudhuri, P. (2005). On maximum depth and related classifiers. Scandinavian Journal of Statistics, 32, 327–350.MathSciNetCrossRefMATH
Hoberg, R., & Mosler, K. (2006). Data analysis and classification with the zonoid depth. In R. Liu, R. Serfling, & D. Souvaine (Eds.), Data depth: Robust multivariate analysis, computational geometry and applications (pp. 49–59). Providence: American Mathematical Society.
Lange, T., Mosler, K., & Mozharovskyi, P. (2012). Fast nonparametric classification based on data depth. Statistical papers (to appear).
Lange, T., & Mozharovskyi, P. (2012). The Alpha-Procedure - a nonparametric invariant method for automatic classification of d-dimensional objects. In 36th Annual Conference of the German Classification Society, Hildesheim.
Li, J., Cuesta-Albertos, J. A., & Liu, R. Y. (2012). DD-classifier: Nonparametric classification procedure based on DD-plot. Journal of the Americal Statistical Association, 107, 737–753.MathSciNetCrossRefMATH
Liu, X., & Zuo, Y. (2012). Computing halfspace depth and regression depth. Mimeo.
Mahalanobis, P. (1936). On the generalized distance in statistics. Proceedings of the National Institute of Science of India, 2, 49–55.MATH
Mosler, K. (2002). Multivariate dispersion, central regions and depth: The lift zonoid approach. New York: Springer.CrossRef
Paindaveine, D., & Van Bever, G. (2013). Nonparametrically consistent depth-based classifiers. Bernoulli (to appear).
Rousseeuw, P. J., & Ruts, I. (1996). Bivariate location depth. Journal of the Royal Statistical Society. Series C (Applied Statistics), 45, 516–526.MATH
Rousseeuw, P. J., & Struyf, A. (1998). Computing location depth and regression depth in higher dimensions. Statistics and Computing, 8, 193–203.CrossRef
Tukey, J. W. (1975). Mathematics and the picturing of data. In Proceedings of the International Congress of Mathematicians (pp. 523–531), Vancouver.
Vasil’ev, V. I. (1991). The reduction principle in pattern recognition learning (PRL) problem. Pattern Recognition and Image Analysis, 1, 23–32.
Vasil’ev, V. I. (2003). The reduction principle in problems of revealing regularities I. Cybernetics and Systems Analysis, 39, 686–694.MathSciNetCrossRefMATH
Vasil’ev, V. I., & Lange, T. (1998). The duality principle in learning for pattern recognition (in Russian). Kibernetika i Vytschislit’elnaya Technika, 121, 7–16.
Zuo, Y., & Serfling, R. (2000). General notions of statistical depth function. Annals of Statistics, 28, 462–482.
Metadaten
Titel
DDα-Classification of Asymmetric and Fat-Tailed Data
verfasst von
Tatjana Lange
Karl Mosler
Pavlo Mozharovskyi
Copyright-Jahr
2014
Buch
Data Analysis, Machine Learning and Knowledge Discovery

Print ISBN: 978-3-319-01594-1

Electronic ISBN: 978-3-319-01595-8

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-319-01595-8_8