Bajeziāniskā kanoniskā korelatīvā analīze (Bayesian CCA)
Bajeziāniskā kanoniskā korelatīvā analīze ir probablistisks ģeneratīvs modelis, kas identificē kopīgu latento struktūru starp divām vai vairākām novēroto mainīgo kopām. Tā paplašina klasisko CCA, nosakot parametru priorus, kas nodrošina principālu nenoteiktības kvantificēšanu, automātisku kopīgo dimensiju skaita noteikšanu un robustumu, ja paraugu lielumi ir mazi attiecībā pret dimensiju skaitu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Bach, F. R. & Jordan, M. I. (2005). A probabilistic interpretation of canonical correlation analysis. Technical Report 688, Department of Statistics, University of California, Berkeley. link ↗
- Klami, A., Virtanen, S. & Kaski, S. (2013). Bayesian canonical correlation analysis. Journal of Machine Learning Research, 14, 965-1003. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Canonical Correlation Analysis. ScholarGate. https://scholargate.app/lv/statistics/bayesian-canonical-correlation-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiskais eksploratīvais faktoru analīzes (BEFA) modelisPsihometrija↔ compare
- Beieziešu galveno komponentu analīze (BPCA)Statistika↔ compare
- Kanonsakņu korelācijas analīzeStatistika↔ compare
- Apstiprinošā faktoru analīze (AFA)Psihometrija↔ compare
- Modelēšana ar strukturālām vienādojumiemPētniecības statistika↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →