Beieziešu galveno komponentu analīze (BPCA)
Beieziešu galveno komponentu analīze (Bayesian Principal Component Analysis, BPCA) iekļauj probabilitātes galveno komponentu analīzi (probabilistic PCA) Beieziešu ietvarā, nosakot prioritātes ielādes matricai (loading matrix), lai automātiski izgrieztu nerelevantas komponentes. Tā dabiski apstrādā trūkstošos datus un nodrošina principālu nenoteiktības novērtējumu gan latentajiem rezultātiem (latent scores), gan attēlojuma dimensiju skaitam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Bishop, C. M. (1999). Bayesian PCA. In M. S. Kearns, S. A. Solla & D. A. Cohn (Eds.), Advances in Neural Information Processing Systems 11 (pp. 382–388). MIT Press. link ↗
- Tipping, M. E. & Bishop, C. M. (1999). Probabilistic principal component analysis. Journal of the Royal Statistical Society: Series B, 61(3), 611–622. DOI: 10.1111/1467-9868.00196 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Principal Component Analysis. ScholarGate. https://scholargate.app/lv/statistics/bayesian-principal-component-analysis
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.
- Bayesiskais eksploratīvais faktoru analīzes (BEFA) modelisPsihometrija↔ compare
- Eksploratīvā faktoru analīze (EFA)Statistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →