函数数据的连续质心分类器
Continuum centroid classifier for functional data
AI总结：
本文提出连续质心分类器用于函数数据二元分类，结合回归与分类，实现渐近零误分类率，并通过模拟和实际案例验证其有效性。
摘要：
针对函数数据的二元分类问题，我们提出了基于将函数数据投影到特定方向上的连续质心分类器（CCC）。该方向通过连接回归和分类来获得。通过控制监督程度，我们的技术既不是无监督的也不是完全监督的。得益于函数数据的内在无限维度，其中一种CCC子类型在渐近意义上具有零分类误差率。我们的方法包含一个有效的算法，能够产生CCC的渐近一致经验对应物。模拟研究展示了CCC在不同场景下的性能。最后，我们将CCC应用于两个实际例子。
英文摘要：
Aiming at the binary classification of functional data, we propose the continuum centroid classifier (CCC) built upon projections of functional data onto one specific direction. This direction is obtained via bridging the regression and classification. Controlling the extent of supervision, our technique is neither unsupervised nor fully supervised. Thanks to the intrinsic infinite dimension of functional data, one of two subtypes of CCC enjoys the (asymptotic) zero misclassification rate. Our proposal includes an effective algorithm that yields a consistent empirical counterpart of CCC. Simulation studies demonstrate the performance of CCC in different scenarios. Finally, we apply CCC to two real examples.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
