Robustní analýza hlavních komponent (RPCA)
Robustní analýza hlavních komponent je metoda redukce dimenzionality, která extrahuje spolehlivé komponenty, když jsou data kontaminována odlehlými hodnotami a šumem. Metoda, představená Candèsem, Li, Ma a Wrightem (2011) a rozvinutá v přístupu ROBPCA od Huberta, Rousseeuwa a Vanden Brandena (2005), rozděluje datovou matici na čistou nízkorankovou část a řídkou část obsahující odlehlé hodnoty.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Candès, E. J., Li, X., Ma, Y., & Wright, J. (2011). Robust Principal Component Analysis? Journal of the ACM, 58(3), 1-37. DOI: 10.1145/1970392.1970395 ↗
- Hubert, M., Rousseeuw, P. J., & Vanden Branden, K. (2005). ROBPCA: A New Approach to Robust Principal Component Analysis. Technometrics, 47(1), 64-79. DOI: 10.1198/004017004000000563 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/cs/statistics/robust-pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Faktorová analýzaStatistika ve výzkumu↔ compare
- Analýza hlavních komponentStrojové učení↔ compare
- Robustní regreseStatistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →