CAJ | 학술논문

如今，当处理大量数据集的协变量时，相比小样本量的一个常见问题是：估计与每个协变量相关联的参数。当协变量的数量远远超过样本的数量，参数估计变得非常困难。在这项研究中，我们开发了一个稀疏的Probit贝叶斯模型(SPBM)的基础上吉布斯抽样，其利用双指数函数之前诱导收缩，并减少在模型协变量的数目。使用6个领域，如数学，在维基百科已下载的方法中进行评估。我们通过计算并根据执行训练和测试组的分类的阈值作为决策规则。利用遍布全球50个运行平均灵敏度和特异性我们的模型的表现相比，支持向量机(SVM)。该SPBM实现了高分类精度和几乎所有的分析领域优于SVM。
여금，당처리대량수거집적협변량시，상비소양본량적일개상견문제시：고계여매개협변량상관련적삼수。당협변량적수량원원초과양본적수량，삼수고계변득비상곤난。재저항연구중，아문개발료일개희소적Probit패협사모형(SPBM)적기출상길포사추양，기이용쌍지수함수지전유도수축，병감소재모형협변량적수목。사용6개영역，여수학，재유기백과이하재적방법중진행평고。아문통과계산병근거집행훈련화측시조적분류적역치작위결책규칙。이용편포전구50개운행평균령민도화특이성아문적모형적표현상비，지지향량궤(SVM)。해SPBM실현료고분류정도화궤호소유적분석영역우우SVM。