Resumen

La profundidad de semiespacio se convirtió en una herramienta no paramétrica popular para el análisis estadístico de datos multivariados durante las últimas dos décadas. Una de las aplicaciones de la profundidad de datos considerada recientemente en la literatura es el problema de clasificación. El enfoque de profundidad de datos se utiliza en lugar del análisis discriminante lineal principalmente para evitar las suposiciones paramétricas y obtener un mejor clasificador para los datos cuya distribución no es simétrica elípticamente, por ejemplo, datos sesgados. En nuestro artículo, sugerimos utilizar una versión ponderada de la profundidad de semiespacio en lugar de la profundidad de semiespacio en sí misma para obtener una tasa de clasificación errónea más baja en el caso de distribuciones no convexas. Las simulaciones muestran que los resultados de los clasificadores basados en la profundidad son comparables con el análisis discriminante lineal para dos poblaciones normales, mientras que para distribuciones no elípticas, el clasificador basado en la profundidad de semiespacio ponderada super

• Materias:Distribución generalizada Variable binaria Predicción bayesianas Inferencia bayesiana Parámetros de distribución
• Subjects:Generalized distribution Binary variable Bayesian prediction Bayesian Inference Distribution Parameters
• Palabras claves:Profundidad de semiespacio; Análisis estadístico; Datos multivariados; Problema de clasificación; Profundidad de datos; No paramétrico; Versión ponderada; Tasa de clasificación errónea; Distribuciones no convexas; Simulaciones; Clasificadores basados en profundidad; Análisis discriminante lineal; Poblaciones normales; Distribuciones no elípticas.
• Keywords:Halfspace depth; Statistical analysis; Multivariate data; Classification problem; Data depth; Nonparametric; Weighted version; Misclassification rate; Nonconvex distributions; Simulations; Depth-based classifiers; Linear discriminant analysis; Normal populations; Nonelliptic distributions.