基于谱修正和正则化的 SR-QDA 分类器用于�涂协方差模型
机器学习
2025-03-19 v1 统计理论
统计理论
摘要
二次判别分析 (QDA) 是解决分类问题的常用方法，尤其在异构数据上优于线性判别分析 (LDA)。然而，在高维情境下，数据维度和样本数趋于无穷时，QDA 效果会下降。为此，我们提出一种新型 QDA 方法，采用谱修正和正则化技术，称为 SR-QDA。我们的方法中的正则化参数通过最大化 Fisher 判别比来选择。我们将 SR-QDA 与 QDA、正则化二次判别分析 (R-QDA) 以及其他竞争方法进行比较。结果表明，SR-QDA 在中等和高维情境下表现尤为出色。跨越 diverse 数据集的经验实验进一步支持了这一结论。
引用
@article{arxiv.2503.13582,
title = {Spectrally-Corrected and Regularized QDA Classifier for Spiked Covariance Model},
author = {Wenya Luo and Hua Li and Zhidong Bai and Zhijun Liu},
journal= {arXiv preprint arXiv:2503.13582},
year = {2025}
}