Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| Robuszt Faktoranalízis× | Robusztus főkomponens-analízis (RPCA)× | |
|---|---|---|
| Tudományterület | Statisztika | Statisztika |
| Módszercsalád | Regression model | Regression model |
| Keletkezés éve≠ | 2003 | 2011 |
| Megalkotó≠ | Pison, Rousseeuw, Filzmoser & Croux | Candès, Li, Ma & Wright (2011); Hubert, Rousseeuw & Vanden Branden (2005) |
| Típus≠ | Robust latent-factor model | Robust dimensionality reduction / matrix decomposition |
| Alapmű≠ | Pison, G., Rousseeuw, P. J., Filzmoser, P., & Croux, C. (2003). Robust factor analysis. Journal of Multivariate Analysis, 84(1), 145-172. DOI ↗ | Candès, E. J., Li, X., Ma, Y., & Wright, J. (2011). Robust Principal Component Analysis? Journal of the ACM, 58(3), 1-37. DOI ↗ |
| Alternatív nevek | robust factor analysis, outlier-resistant factor analysis, MCD-based factor analysis, Robust Faktör Analizi | RPCA, robust principal component analysis, low-rank plus sparse decomposition, Robust Temel Bileşen Analizi (RPCA) |
| Kapcsolódó≠ | 5 | 3 |
| Összefoglaló≠ | Robust Factor Analysis recovers the latent factor structure of multivariate continuous data while resisting the distorting pull of outliers. Introduced by Pison, Rousseeuw, Filzmoser and Croux (2003), it replaces the classical sample covariance with a robust estimator such as the Minimum Covariance Determinant (MCD) or an S-estimator before extracting factors. | Robust Principal Component Analysis is a dimensionality-reduction method that extracts reliable components when the data are contaminated by outliers and noise. Introduced by Candès, Li, Ma and Wright (2011), and developed in the ROBPCA approach of Hubert, Rousseeuw and Vanden Branden (2005), it separates a data matrix into a clean low-rank part and a sparse outlier part. |
| ScholarGateAdatkészlet ↗ |
|
|