Robuste Hauptkomponentenanalyse (RPCA)
Die Robuste Hauptkomponentenanalyse (RPCA) ist eine Methode zur Dimensionsreduktion, die zuverlässige Komponenten extrahiert, wenn die Daten durch Ausreißer und Rauschen verunreinigt sind. Eingeführt von Candès, Li, Ma und Wright (2011) und entwickelt im ROBPCA-Ansatz von Hubert, Rousseeuw und Vanden Branden (2005), trennt sie eine Datenmatrix in einen sauberen, niedrigrangigen Teil und einen dünnbesetzten Ausreißerteil.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/de/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.
- FaktorenanalyseForschungsstatistik↔ compare
- HauptkomponentenanalyseMaschinelles Lernen↔ compare
- Robuste RegressionStatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →