分类中成对变量选择的显著性分析
统计方法学
2014-02-19 v1
摘要
本文的目标是选择能够区分一类数据与另一类数据的重要变量。边际变量选择方法对单个变量分类的边际效应进行排序，是一种有用且高效的变量选择方法。我们此处的重点是除了边际效应外，还考虑双变量效应。具体而言，我们关注那些当联合观察时能够导致准确分类预测的变量对。为此，我们提出了一种称为联合效应显著性检验（SigJEff）的置换检验。在数据中不存在联合效应的情况下，SigJEff 与许多边际方法相似或等效。然而，当存在联合效应时，我们的方法可以显著提高变量选择的性能。这种联合效应有助于为分类提供额外的、有时甚至是主导性的优势。我们使用模拟示例和真实的胶质母细胞瘤（glioblastoma multiforme）数据集对我们的方法进行了说明和验证，结果令人鼓舞。
引用
@article{arxiv.1402.4459,
title = {Significance Analysis for Pairwise Variable Selection in Classification},
author = {Xingye Qiao and Yufeng Liu and J. S. Marron},
journal= {arXiv preprint arXiv:1402.4459},
year = {2014}
}
备注
28 pages, 7 figures