View : 40 Download: 0

Canonical Correlation Analysis without matrix inversion

Title
Canonical Correlation Analysis without matrix inversion
Authors
임연주
Issue Date
2014
Department/Major
대학원 통계학과
Publisher
이화여자대학교 대학원
Degree
Master
Advisors
유재근
Abstract
Canonical correlation analysis (CCA) is one of the most favorable statistical methodologies. However, it is impossible to construct canonical direction matrices when in classical CCA. In this article, classical CCA is enhanced to make it possible to construct canonical direction matrices even when does not dominate . For this, seeded dimension reduction is adapted to CCA. Discussions on effectiveness of CCA with seeded dimension reduction are reported through simulation studies.;빅데이터 분석에 대한 수요가 점차 증가하면서, 고차원의 데이터로부터 유용한 정보를 추출하는 것의 필요성이 널리 퍼지고 있다. 이러한 필요성이 대두되면서 충분차원축소 (Sufficient Dimension Reduction) 방법론이 급격하게 발전해왔다. Canonical correlation analysis (CCA) 는 가장 많이 사용되는 통계학적 방법론이지만 의 경우 canonical direction matrices를 계산할 수 없는 단점을 가지고 있다. 이 논문에서는 이 보다 충분히 크지 않더라도 canonical direction matrices를 구할 수 있도록 CCA를 보완하는 방법을 제시할 것이다. 이를 위하여 최근에 소개된 충분차원축소의 방법론 중 하나인 seeded dimension reduction이 CCA에 적용되었다. Seeded dimension reduction이 적용된 새로운 CCA의 유용성에 대해서는 시뮬레이션을 통해 나타날 것이며, 시뮬레이션 결과 Seeded dimension reduction이 적용된 CCA의 우수성이 잘 드러난다.
Fulltext
Show the fulltext
Appears in Collections:
일반대학원 > 통계학과 > Theses_Master
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE