Robust PCA
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.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.