Optimal design for classification of functional data. Issue 2 (19th December 2019)

• Record Type: Journal Article
• Authors: Li, Cai; Xiao, Luo
• Is Part Of: Canadian journal of statistics. Volume 48:Issue 2(2020)
• Page Start: 285
• Page End: 307
• Publication Date: 2019-12-19
• Subjects: Covariance function -- linear discriminant analysis -- longitudinal data; Mathematical statistics -- Periodicals; 519.5
• DOI: 10.1002/cjs.11531
• Languages: English
• ISSNs: 0319-5724

Abstract

Abstract : We study the design problem for the optimal classification of functional data. The goal is to select sampling time points so that functional data observed at these time points can be classified accurately. We propose optimal designs that are applicable to either dense or sparse functional data. Using linear discriminant analysis, we formulate our design objectives as explicit functions of the sampling points. We study the theoretical properties of the proposed design objectives and provide a practical implementation. The performance of the proposed design is evaluated through simulations and real data applications. The Canadian Journal of Statistics 48: 285–307; 2020 © 2019 Statistical Society of Canada Résumé : Les auteurs étudient le problème de classification optimale pour les données fonctionnelles. Leur but est de sélectionner des temps auxquels les données fonctionnelles seront observées afin d'être classifiées correctement. Les auteurs proposent un plan optimal applicable à des données fonctionnelles denses ou éparses. En utilisant l'analyse discriminante linéaire, ils formulent l'objectif du plan par des fonctions explicites des points choisis. Les auteurs étudient les propriétés théoriques découlant de ces fonctions et présentent une implémentation permettant de les résoudre. Ils évaluent la performance de leur proposition par la simulation et grâce à une application à des données réelles. La revue canadienne de statistique 48: 285–307; 2020 © 2019 Société statistique du Canada