Глубинный метод классификации на основе масштабируемого расстояния махаланобиса для множеств с неравными априорными вероятностями

Abstract

Запропоновано непараметричний глибинний метод класифікації для випадку, коли множини даних мають нерівні апріорні ймовірності та не належать до спільного сімейства еліптичних розподілів. Розроблено універсальний глибинний класифікатор, що не залежить від відхилення в моделі зсуву розташування або порушення монотонного характеру функцій щільності. Масштабовану відстань Махаланобіса оцінено в кожній точці з використанням методу залишкового проходу.

A nonparametric depth based method of classification is proposed for the case when data sets have unequal prior probabilities and do not belong to a common family of elliptical distributions. The multipurpose depth based classifier is developed that is independent of deviations in the location, shift model or violation of monotonous character of density functions. Scalable Mahalanobis distance is estimated at each point using the residual passage method.