Efektyvus modelio adekvatumo testavimo algoritmas didelio matavimo duomenų klasifikavimui
Tegul turime matavimo d imtį, tenkinančią Gauso mišinių modelį (laikoma, kad d yra didelis). Nagrinėjama imties klasifikavimo problema. Dėl didelio matavimo yra natūralu projektuoti imtiį į matavimo k (k = 1, 2, . . .) tiesinį poerdvį, naudojant tikslinio projektavimo metodą, kuris duoda geriausią šių poerdvių parinkimą. Turėdami diskriminantinės erdvės įvertį galime atlikti klasifikavimą naudodami projektuotą imtį, tuo išvengdami taip vadinamojo „didelių matavimų prakeiksmo“
(curse of dimensionality). Esminis žingsnis šiame metode yra įvertinto matavimo d modelio adekvatumo testavimas, laikant, kad papildomoje erdvėje pasiskirstymas yra standartinis Gauso. Mes pateikiame paprastą, veikiančią pagal duomenis
ir skaičiavimų prasme efektyvią procedūrą modelio adekvatumo testavimui. Ši procedūra remiasi gerai žinoma modelio adekvatumo testavimo interpretacija kaip klasifikacijos problema, specialia nuoseklia duomenų skaidymo procedūra,
randomizacija ir pakartotiniu imties generavimu, nuosekliosios analizės elementais. Procedūros efektyvumo įvertinimui naudojami Monte Carlo metodu generuojami duomenys.