Robustā daudzdimensiju skalēšana (Robust MDS)
Robustā daudzdimensiju skalēšana atjauno zemas dimensijas telpisko karti no pāru atšķirību matricas, vienlaikus pretojoties kropļojumiem, ko izraisa ārpusnormas vai kļūdainas tuvuma vērtības. Aizstājot kvadrātisko kļūdu zudumu ar robustu zuduma funkciju vai samazinot aizdomīgu pāru svaru, tā rada konfigurāciju, kas precīzi atspoguļo datu kopumu pat tad, ja daži attālumi ir krasi atšķirīgi.
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
- Hubert, L., Arabie, P. & Meulman, J. (2002). Linear unidimensional scaling in the L2-norm: Basic optimization methods using SMACOF. Journal of Classification, 19(2), 303–327. link ↗
- Buja, A., Swayne, D. F., Littman, M. L., Dean, N., Hofmann, H. & Chen, L. (2008). Data visualization with multidimensional scaling. Journal of Computational and Graphical Statistics, 17(2), 444–472. DOI: 10.1198/106186008X318440 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Multidimensional Scaling. ScholarGate. https://scholargate.app/lv/statistics/robust-multidimensional-scaling
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.
- Multidimensionālā skalēšana (MDS)Statistika↔ compare
- Robustā kopu analīze (TCLUST)Statistika↔ compare
- Robustā korespondences analīzeStatistika↔ compare
- Robustā eksploratīvā faktoru analīzePsihometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →