Robust Principal Component Analysis (RPCA)
Robust Principal Component Analysis on korkeuden vähennysmenetelmä, joka eristää luotettavia komponentteja, kun aineisto on saastunut poikkeavien arvojen ja kohinan vuoksi. Candèsin, Lin, Ma:n ja Wrightin (2011) esittelemä ja Hubertin, Rousseeuwin ja Vanden Brandenin (2005) ROBPCA-lähestymistavassa kehitetty menetelmä jakaa datamatriisin puhtaaseen matalan rangin osaan ja harvaan poikkeavien arvojen osaan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/fi/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.
- FaktorianalyysiTutkimuksen tilastomenetelmät↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- Robust RegressionTilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →