Analyse en Composantes Principales Robuste (RPCA)
L'Analyse en Composantes Principales Robuste (RPCA) est une méthode de réduction de dimensionnalité qui extrait des composantes fiables lorsque les données sont contaminées par des valeurs aberrantes et du bruit. Introduite par Candès, Li, Ma et Wright (2011), et développée dans l'approche ROBPCA de Hubert, Rousseeuw et Vanden Branden (2005), elle sépare une matrice de données en une partie propre de rang faible et une partie éparse d'aberrations.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/fr/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.
- Analyse factorielleStatistiques de recherche↔ compare
- Analyse en composantes principalesApprentissage automatique↔ compare
- Régression RobusteStatistique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →