Hálózatalapú modell- és adatredukciós módszer. (Hungarian)

Network-based dimensionality reduction and analysis. (English)

Network analysis opens new horizons for data analysis methods, as the results of ever-developing network science can be integrated into classical data analysis techniques. This paper presents the generalized network-based dimensional analysis (GNDA) method. The main contributions of this paper are as follows: (1) The proposed GNDA method handles high dimensional low sample size datasets. In addition, compared with existing methods, we show that only the proposed GNDA method adequately estimates the number of latent variables. (2) The proposed GNDA already considers any symmetric and nonsymmetric similarity functions between indicators (i.e., variables or observations) to specify latent variables. The proposed GNDA method is compared with traditional dimensionality reduction methods on various simulated and real-world datasets. The implementation of the proposed method can be downloaded from the official CRAN site. [ABSTRACT FROM AUTHOR]

A hálózatelemzés új távlatokat nyit az adatelemzés területén. Az adatpontokat csomópontokként és a közöttük lévő kapcsolatokat élekként ábrázolva „adathálózatot” kapunk, amellyel megnyílik a lehetőség az exponenciálisan fejlődő hálózatos elemzés eszköztárának alkalmazására is. Tanulmányomban egy új, hálózatalapú modell- és adatredukciós módszer létrehozását javaslom, egy olyan, nem paraméteres eljárást, amely modellredukció esetében megadja a látens változók, adatredukció esetében pedig a klasztercentrumok számát. A kialakított módszer robusztus, mivel képes kevés megfigyelés alapján is meghatározni a változócsoportokat, illetve kevés változó alapján az adatcsoportokat. A javasolt módszer alkalmazható szimmetrikus és aszimmetrikus változó- és adattávolságmértékek esetén is. A módszert szimulált és valós adatokon is tesztelem. Az elkészült módszer R-programnyelvben validált csomagként is elérhető. [ABSTRACT FROM AUTHOR]

Copyright of Hungarian Statistical Review / Statisztikai Szemle is the property of Hungarian Central Statistical Office and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)