摘要：如今，当处理大量数据集的协变量时，相比小样本量的一个常见问题是：估计与每个协变量相关联的参数。当协变量的数量远远超过样本的数量，参数估计变得非常困难。在这项研究中，我们开发了一个稀疏的Probit贝叶斯模型（SPBM）的基础上吉布斯抽样，其利用双指数函数之前诱导收缩，并减少在模型协变量的数目。使用6个领域，如数学，在维基百科已下载的方法中进行评估。我们通过计算并根据执行训练和测试组的分类的阈值作为决策规则。利用遍布全球50个运行平均灵敏度和特异性我们的模型的表现相比，支持向量机（SVM）。该SPBM实现了高分类精度和几乎所有的分析领域优于SVM。

原文链接:http://www.cqvip.com//QK/70356A/201519/665260954.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）