科研之友
微信
新浪微博
Facebook
分享链接
摘要
作为一种新型高维数据，函数型数据重在研究数据的内在本质而不是外在结构，通过非参数方法将数据拟合为函数型数据以捕捉更多信息。针对响应变量为二分类情形，建立贝叶斯框架下的函数型Logistic回归模型，引入适当的先验信息并利用MCMC算法获得参数的条件后验分布。具体解决流程为：选取由数据驱动的主成分基函数对回归系数函数和回归函数型自变量进行展开，对展开项数进行截断，利用主成分基函数的正交性，将高维数据进行低维表示；再利用Polya-Gamma变换，建立易于获得参数后验的Gibbs抽样算法，从而得到回归函数展开项系数的后验分布。蒙特卡洛模拟结果显示，该方法具有较好的分类性能。将该方法应用于Tecator实际数据，发现其分类效果优于别的方法。
- 单位
