RISS 학술연구정보서비스

검색
자동완성 버튼

인기 검색어

    다국어 입력
    あ ぁ か が さ ざ た だ な は ば ぱ ま や ゃ ら わ ゎ ん い ぃ き ぎ し じ ち ぢ に ひ び ぴ み り う ぅ く ぐ す ず つ づ っ ぬ ふ ぶ ぷ む ゆ ゅ る え ぇ け げ せ ぜ て で ね へ べ ぺ め れ お ぉ こ ご そ ぞ と ど の ほ ぼ ぽ も よ ょ ろ を
    ア ァ カ サ ザ タ ダ ナ ハ バ パ マ ヤ ャ ラ ワ ヮ ン イ ィ キ ギ シ ジ チ ヂ ニ ヒ ビ ピ ミ リ ウ ゥ ク グ ス ズ ツ ヅ ッ ヌ フ ブ プ ム ユ ュ ル エ ェ ケ ゲ セ ゼ テ デ ヘ ベ ペ メ レ オ ォ コ ゴ ソ ゾ ト ド ノ ホ ボ ポ モ ヨ ョ ロ ヲ ―

    http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

    변환된 중국어를 복사하여 사용하시면 됩니다.

    예시)
    • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
    • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
    ㅥ ㅦ ㅧ ㅨ ㅩ ㅪ ㅫ ㅬ ㅭ ㅮ ㅯ ㅰ ㅱ ㅲ ㅳ ㅴ ㅵ ㅶ ㅷ ㅸ ㅹ ㅺ ㅻ ㅼ ㅽ ㅾ ㅿ ㆀ ㆁ ㆂ ㆃ ㆄ ㆅ ㆆ ㆇ ㆈ ㆉ ㆊ ㆋ ㆌ ㆍ ㆎ
    Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω α β γ δ ε ζ η θ ι κ λ μ ν ξ ο π ρ σ τ υ φ χ ψ ω
    á à Á À é è É È ç Ç ê
    Ä Ö Ü ä ö ü ß
    ְ ֳ ֲ ֱ ָ ַ ֵ ֶ ִ ֹ ּ ֻ ׂ ׁ ּ פ ם ן ו ט א ר ק ף ך ל ח י ע כ ג ד ש ץ ת צ מ נ ה ב
    ‘ ’ “ ” 〔 〕 〈 〉 「 」 『 』 【 】 ＂ （ ） ［ ］ ｛ ｝
    ± × ÷ ≠ ≤ ≥ ∞ ∴ ♂ ♀ ∠ ⊥ ⌒ ∂ ∇ ≡ ≒ ≪ ≫ √ ∽ ∝ ∵ ∫ ∬ ∈ ∋ ⊆ ⊇ ⊂ ⊃ ∪ ∩ ∧ ∨ ￢ ⇒ ⇔ ∀ ∃ ∮ ∑ ∏ ＋ － ＜ ＝ ＞
    、 。 · ‥ … ¨ 〃 ― ∥ ＼ ∼ ´ ～ ˇ ˘ ˝ ˚ ˙ ¸ ˛ ¡ ¿ ː ！ ＇ ， ． ／ ： ； ？ ＾ ＿ ｀ ｜
    ½ ⅓ ⅔ ¼ ¾ ⅛ ⅜ ⅝ ⅞ ¹ ² ³ ⁴ ⁿ ₁ ₂ ₃ ₄
    Æ Ð Ħ IJ Ł Ø Œ Þ Ŧ Ŋ æ đ ð ħ ı ij ĸ ŀ ł ø œ ß þ ŧ ŋ ʼn
    А Б В Г Д Е Ё Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я а б в г д е ё ж з и й к л м н о п р с т у ф х ц ч ш щ ъ ы ь э ю я
    ′ ″ ℃ Å ￠ ￡ ￥ ¤ ℉ ‰ ＄ ％ Ｆ ￦ ㎕ ㎖ ㎗ ℓ ㎘ ㏄ ㎣ ㎤ ㎥ ㎦ ㎙ ㎚ ㎛ ㎜ ㎝ ㎞ ㎟ ㎠ ㎡ ㎢ ㏊ ㎍ ㎎ ㎏ ㏏ ㎈ ㎉ ㏈ ㎧ ㎨ ㎰ ㎱ ㎲ ㎳ ㎴ ㎵ ㎶ ㎷ ㎸ ㎹ ㎀ ㎁ ㎂ ㎃ ㎄ ㎺ ㎻ ㎽ ㎾ ㎿ ㎐ ㎑ ㎒ ㎓ ㎔ Ω ㏀ ㏁ ㎊ ㎋ ㎌ ㏖ ㏅ ㎭ ㎮ ㎯ ㏛ ㎩ ㎪ ㎫ ㎬ ㏝ ㏐ ㏓ ㏃ ㏉ ㏜ ㏆
    § ※ ☆ ★ ○ ● ◎ ◇ ◆ □ ■ △ ▽ → ← ↑ ↓ ↔ 〓 ◁ ◀ ▷ ▶ ♤ ♠ ♡ ♥ ♧ ♣ ⊙ ◈ ▣ ◐ ◑ ▒ ▤ ▥ ▨ ▧ ▦ ▩ ♨ ☏ ☎ ☜ ☞ † ‡ ↕ ↗ ↙ ↖ ↘ ♭ ♩ ♪ ♬ ㉿ ㈜ № ㏇ ™ ㏂ ㏘ ℡ ＃ ＆ ＊ ＠ ª º
    ⅰ ⅱ ⅲ ⅳ ⅴ ⅵ ⅶ ⅷ ⅸ ⅹ Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ Ⅵ Ⅶ Ⅷ Ⅸ Ⅹ
    ا ب ت ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ک ل م ن ه و ی
    닫기

    Principal weighted logistic regression for sufficient dimension reduction for binary classification

    한글로보기

    https://www.riss.kr/link?id=T14924917

    • 0

      상세조회

    • 0

      다운로드
    서지정보 열기
    • 내보내기
    • 내책장담기
    • 공유하기
    • 오류접수
    인용문이 복사되었습니다.

    부가정보

    국문 초록 (Abstract) kakao i 다국어 번역

    한국어
    영어
    본 논문은 이분형 반응변수의 분류 문제에서 설명변수의 차원을 축소하는 충분 차원축소(Sufficient Dimension Reduction) 방법으로 Principal Weighted Logistic Regression을 제안하였다. 반응변수가 이분형일 때 기존에 알려져 있던 충분 차원축소 방법들이 가지는 한계점을 극복하기 위해 가중 로지스틱 회귀 분석을 활용해 축소된 변수 공간을 추정하였다. 이 때, 커널 트릭을 활용하여 비선형 충분 차원축소까지 하나의 통합된 프레임워크에서 전개함으로써 반응 변수의 결정 경계가 원점에 대해 대칭인 경우에도 적용 가능한 차원축소 방법을 제안하였다. 모의 실험과 실제 데이터 적합을 통해 그 성능과 적용 가능성을 확인함으로써 본 연구의 의의를 입증하였다.
    번역하기

    본 논문은 이분형 반응변수의 분류 문제에서 설명변수의 차원을 축소하는 충분 차원축소(Sufficient Dimension Reduction) 방법으로 Principal Weighted Logistic Regression을 제안하였다. 반응변수가 이분형일...

    본 논문은 이분형 반응변수의 분류 문제에서 설명변수의 차원을 축소하는 충분 차원축소(Sufficient Dimension Reduction) 방법으로 Principal Weighted Logistic Regression을 제안하였다. 반응변수가 이분형일 때 기존에 알려져 있던 충분 차원축소 방법들이 가지는 한계점을 극복하기 위해 가중 로지스틱 회귀 분석을 활용해 축소된 변수 공간을 추정하였다. 이 때, 커널 트릭을 활용하여 비선형 충분 차원축소까지 하나의 통합된 프레임워크에서 전개함으로써 반응 변수의 결정 경계가 원점에 대해 대칭인 경우에도 적용 가능한 차원축소 방법을 제안하였다. 모의 실험과 실제 데이터 적합을 통해 그 성능과 적용 가능성을 확인함으로써 본 연구의 의의를 입증하였다.

    더보기

    다국어 초록 (Multilingual Abstract) kakao i 다국어 번역

    영어
    한국어
    Sufficient dimension reduction(SDR) has offered an effective means to reduce the dimensionality of the data without losing the regressing information of Y onto X. In this article, we propose a new SDR tool called Principal Weighted Logistic Regression to be used in the classification problem. In order to overcome the limitations of the existing SDR methods when Y is binary, we employ weighted logistic regression to obtain the basis of the reduced predictor space. Making use of kernel trick, we developed a unified framework of linear and nonlinear SDR to be used in both situations where the true decision curve of the data is asymmetric and symmetric about the origin. Both simulation studies and empirical applications are examined in order to support the significance of the proposed method.
    번역하기

    Sufficient dimension reduction(SDR) has offered an effective means to reduce the dimensionality of the data without losing the regressing information of Y onto X. In this article, we propose a new SDR tool called Principal Weighted Logistic Regression...

    Sufficient dimension reduction(SDR) has offered an effective means to reduce the dimensionality of the data without losing the regressing information of Y onto X. In this article, we propose a new SDR tool called Principal Weighted Logistic Regression to be used in the classification problem. In order to overcome the limitations of the existing SDR methods when Y is binary, we employ weighted logistic regression to obtain the basis of the reduced predictor space. Making use of kernel trick, we developed a unified framework of linear and nonlinear SDR to be used in both situations where the true decision curve of the data is asymmetric and symmetric about the origin. Both simulation studies and empirical applications are examined in order to support the significance of the proposed method.

    더보기

    목차 (Table of Contents)

    • 1 Introduction 1
    • 2 Linear Principal Weighted Logistic Regression 6
    • 2.1 Population Level 6
    • 2.2 Sample Estimation 7
    • 2.3 Determine Structural Dimension d 8
    • 1 Introduction 1
    • 2 Linear Principal Weighted Logistic Regression 6
    • 2.1 Population Level 6
    • 2.2 Sample Estimation 7
    • 2.3 Determine Structural Dimension d 8
    • 3 Kernel Principal Weighted Logistic Regression 10
    • 3.1 Population Level 10
    • 3.2 Sample Estimation 11
    • 4 Simulation 14
    • 4.1 Linear Sufficient Dimension Reduction 14
    • 4.2 Determination of d 16
    • 4.3 Nonlinear Sufficient Dimension Reduction 17
    • 5 Real data analysis 24
    • 6 Conclusion
    더보기

    분석정보

    View

    상세정보조회

    0

    Usage

    원문다운로드

    0

    대출신청

    0

    복사신청

    0

    EDDS신청

    0

    동일 주제 내 활용도 TOP

    더보기

    주제

    연도별 연구동향

    연도별 활용동향

    연관논문

    연구자 네트워크맵

    공동연구자 (7)

    유사연구자 (20) 활용도상위20명

    이 자료와 함께 이용한 RISS 자료

    나만을 위한 추천자료

    해외이동버튼