The Analyst· 2018Q2· Derleme
Yüksek Boyutlu Verilerin Sınıflandırılması İçin Kısmi En Küçük Kareler-Diskriminant Analizi (PLS-DA): Çağdaş Uygulama Stratejileri ve Bilgi Boşluklarının Bir İncelemesi
Partial least squares-discriminant analysis (PLS-DA) for classification of high-dimensional (HD) data: a review of contemporary practice strategies and knowledge gaps
- 781atıf
- Q2SCImago
- 2018yıl
Kısa özet
Bu inceleme, yüksek boyutlu verileri modellemek için çok yönlü bir algoritma olan Kısmi En Küçük Kareler-Diskriminant Analizi (PLS-DA) için çağdaş uygulama stratejilerini özetlemekte ve gelişen büyük veri zorlukları bağlamında bilgi boşluklarını belirlemektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- PLS-DA, yüksek boyutlu verilerde tahminleyici, tanımlayıcı ve ayırt edici değişken seçimi için çok yönlü bir algoritmadır.
- Güvenilir ve geçerli modelleme sonuçları elde etmek için PLS-DA parametrelerinin optimize edilmesi esastır.
- Algoritma, gıda kimliği doğrulama, hastalık sınıflandırması ve adli analiz gibi çeşitli uygulamalarda başarı göstermiştir.
- Çağdaş zorluklar arasında büyük veri çağının karakteristik özelliği olan çok sınıflı, dengesiz ve devasa veri kümelerinin işlenmesi yer almaktadır.
- İnceleme, büyük veri bağlamında PLS-DA için bilgi boşluklarını ve çağdaş uygulama stratejilerini belirlemektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Partial least squares-discriminant analysis (PLS-DA) is a versatile algorithm that can be used for predictive and descriptive modelling as well as for discriminative variable selection. However, versatility is both a blessing and a curse and the user needs to optimize a wealth of parameters before reaching reliable and valid outcomes. Over the past two decades, PLS-DA has demonstrated great success in modelling high-dimensional datasets for diverse purposes, e.g. product authentication in food analysis, diseases classification in medical diagnosis, and evidence analysis in forensic science. Despite that, in practice, many users have yet to grasp the essence of constructing a valid and reliable PLS-DA model. As the technology progresses, across every discipline, datasets are evolving into a more complex form, i.e. multi-class, imbalanced and colossal. Indeed, the community is welcoming a new era called big data. In this context, the aim of the article is two-fold: (a) to review, outline and describe the contemporary PLS-DA modelling practice strategies, and (b) to critically discuss the respective knowledge gaps that have emerged in response to the present big data era. This work could complement other available reviews or tutorials on PLS-DA, to provide a timely and user-friendly guide to researchers, especially those working in applied research.
Yazarların özeti; kaynağından alınmıştır. The Analyst, 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Analitik Kimya
Analytical ChemistryChemistry