このアイテムのアクセス数: 91
このアイテムのファイル:
| ファイル | 記述 | サイズ | フォーマット | |
|---|---|---|---|---|
| j.jmva.2021.104779.pdf | 1.76 MB | Adobe PDF | 見る/開く |
| タイトル: | Clustering by principal component analysis with Gaussian kernel in high-dimension, low-sample-size settings |
| 著者: | Nakayama, Yugo   https://orcid.org/0000-0001-7321-2141 (unconfirmed)Yata, Kazuyoshi Aoshima, Makoto |
| 著者名の別形: | 中山, 優吾 |
| キーワード: | 62H25 62H30 HDLSS Non-linear PCA PC score Radial basis function kernel Spherical data |
| 発行日: | Sep-2021 |
| 出版者: | Elsevier BV |
| 誌名: | Journal of Multivariate Analysis |
| 巻: | 185 |
| 論文番号: | 104779 |
| 抄録: | In this paper, we consider clustering based on the kernel principal component analysis (KPCA) for high-dimension, low-sample-size (HDLSS) data. We give theoretical reasons why the Gaussian kernel is effective for clustering high-dimensional data. In addition, we discuss a choice of the scale parameter yielding a high performance of the KPCA with the Gaussian kernel. Finally, we test the performance of the clustering by using microarray data sets. |
| 著作権等: | © 2021 The Author(s). Published by Elsevier Inc. This is an open access article under the CC BY license |
| URI: | http://hdl.handle.net/2433/276828 |
| DOI(出版社版): | 10.1016/j.jmva.2021.104779 |
| 出現コレクション: | 学術雑誌掲載論文等 |
このアイテムは次のライセンスが設定されています: クリエイティブ・コモンズ・ライセンス
