|
| volgende >> |
Tijdschrift beschrijving
Alle jaargangen van het bijbehorende tijdschrift
Alle afleveringen van het bijbehorende jaargang
Alle artikelen van de bijbehorende aflevering
Details van artikel 1 van 11 gevonden artikelen
| Titel: |
Finding Relevant Linear Manifolds in Classification by Gaussian Mixtures |
| Auteur: |
Calo, Daniela G. Viroli, Cinzia |
| Verschenen in: |
Communications in statistics |
| Paginering: | Jaargang 37 (2008) nr. 19 pagina's 3040-3053 |
| Jaar: |
2008-01 |
| Inhoud: |
In this article, we present a strategy for producing low-dimensional projections that maximally separate the classes in Gaussian Mixture Model classification. The most revealing linear manifolds are those along which the classes are maximally separable. Here we consider a particular probability product kernel as a measure of similarity or affinity between the class-conditional distributions. It takes an appealing closed analytical form in the case of Gaussian mixture components. The performance of the proposed strategy has been evaluated on real data. |
| Uitgever: |
Taylor & Francis |
| Bronbestand: |
Elektronische Wetenschappelijke Tijdschriften |
Details van artikel 1 van 11 gevonden artikelen
| volgende >> |