...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Chemometrics >Assessment of maximum likelihood PCA missing data imputation
【24h】

Assessment of maximum likelihood PCA missing data imputation

机译：评估最大似然PCA缺失数据的估算

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Maximum likelihood principal component analysis (MLPCA) was originally proposed to incorporate measurement error variance information in principal component analysis (PCA) models. MLPCA can be used to fit PCA models in the presence of missing data, simply by assigning very large variances to the non-measured values. An assessment of maximum likelihood missing data imputation is performed in this paper, analysing the algorithm of MLPCA and adapting several methods for PCA model building with missing data to its maximum likelihood version. In this way, known data regression (KDR), KDR with principal component regression (PCR), KDR with partial least squares regression (PLS) and trimmed scores regression (TSR) methods are implemented within the MLPCA method to work as different imputation steps. Six data sets are analysed using several percentages of missing data, comparing the performance of the original algorithm, and its adapted regression-based methods, with other state-of-the-art methods. Copyright (c) 2016 John Wiley & Sons, Ltd.
机译：最初提出最大似然主成分分析（MLPCA），以将测量误差方差信息纳入主成分分析（PCA）模型中。通过将非常大的方差分配给未测量的值，可以在缺少数据的情况下使用MLPCA拟合PCA模型。本文对最大似然缺失数据的插补进行了评估，分析了MLPCA算法，并针对缺失数据的PCA模型构建采用了几种方法来适应其最大似然版本。这样，可以在MLPCA方法中实施已知数据回归（KDR），具有主成分回归（PCR）的KDR，具有部分最小二乘回归（PLS）的KDR和修剪得分回归（TSR）方法，以作为不同的插补步骤工作。使用几个百分比的丢失数据分析了六个数据集，将原始算法及其适应的基于回归的方法的性能与其他最新方法进行了比较。版权所有（c）2016 John Wiley＆Sons，Ltd.

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号