희박한 함수적 자료는 실제 자료에서 흔히 관측된다. 이러한 데이터에 대해, 함수적 주성분 분석과 bootstrap aggregating 기반의 새로운 분류 방법론을 제안한다. Bootstrap aggregating은 단일 분류 모형의 성능을 향상시킨다고 알려져 있다. 본 논문에서는 이러한 믿음을 FPCA 기반의 분류에 적용하였고, 단일 분류 모형과 분류 성능을 비교하였다. 시뮬레이션 결과에서 제안하는 방법론이 기존의 단일 분류 모형에 비해 더 좋은 성능을 보였다. 그런 다음 두 가지 실제 자료 분석을 수행하였다.
Sparse functional data are commonly observed in real-data analyses. For such data, we propose a new classification method based on functional principal component analysis (FPCA) and bootstrap aggregating. Bootstrap aggregating is believed to improve the single classifier. In this paper, we apply this belief to an FPCA based classification, and compare the classification performance with that of the single classifiers. The simulation results show that the proposed method performs better than the conventional single classifiers. We then conduct two real-data analyses.