Reproducing kernel Hilbert spaces regression: A general framework for genetic evaluation
Reproducing kernel Hilbert spaces regression: A general framework for genetic evaluation
复制标题
DOI：
10.2527/jas.2008-1259
复制
发表时间：
2009-06-01
影响因子：
3.3
通讯作者：
Rosa, G. J. M.
中科院分区：
文献类型：
--
作者：
de los Campos, G.;Gianola, D.;Rosa, G. J. M.
再生核-希尔伯特空间(RKHS)方法被广泛应用于统计学习的许多领域。最近，这些方法被认为是将密集标记整合到遗传模型中的一种方法。本文认为，RKHS回归提供了一个遗传评估的一般框架，可以用于基于系谱或基于标记的回归，以及在任何遗传模型下，无论是否无穷小，以及是否相加。大多数用于遗传评价的标准模型，如无穷小动物模型或父系模型，以及标记辅助选择模型，都是RKHS方法的特例。
Reproducing kernel Hilbert spaces (RKHS) methods are widely used for statistical learning in many areas of endeavor. Recently, these methods have been suggested as a way of incorporating dense markers into genetic models. This note argues that RKHS regression provides a general framework for genetic evaluation that can be used either for pedigree- or marker-based regressions and under any genetic model, infinitesimal or not, and additive or not. Most of the standard models for genetic evaluation, such as infinitesimal animal or sire models, and marker-assisted selection models appear as special cases of RKHS methods.