Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model

要約

この論文では、スペクトル補正および正則化 LDA (SRLDA) と呼ばれる改良された線形判別分析を提案します。
この方法は、サンプルのスペクトル補正された共分散行列と正則化された判別分析の設計アイデアを統合します。
大次元ランダム行列分析フレームワークのサポートにより、SRLDA がスパイク モデル仮定の下で線形分類のグローバル最適解を持っていることが証明されています。
シミュレーション データ分析によると、SRLDA 分類器は RLDA や ILDA よりも優れたパフォーマンスを示し、理論的な分類器に近づいています。
さまざまなデータセットでの実験では、SRLDA アルゴリズムが現在使用されているツールよりも分類と次元削減において優れたパフォーマンスを発揮することが示されています。

要約(オリジナル)

This paper proposes an improved linear discriminant analysis called spectrally-corrected and regularized LDA (SRLDA). This method integrates the design ideas of the sample spectrally-corrected covariance matrix and the regularized discriminant analysis. With the support of a large-dimensional random matrix analysis framework, it is proved that SRLDA has a linear classification global optimal solution under the spiked model assumption. According to simulation data analysis, the SRLDA classifier performs better than RLDA and ILDA and is closer to the theoretical classifier. Experiments on different data sets show that the SRLDA algorithm performs better in classification and dimensionality reduction than currently used tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google