Robuuste Principal Component Analyse (RPCA)
Robuuste Principal Component Analyse is een methode voor dimensionaliteitsreductie die betrouwbare componenten extraheert wanneer de data verontreinigd zijn door uitschieters en ruis. Geïntroduceerd door Candès, Li, Ma en Wright (2011), en ontwikkeld in de ROBPCA-benadering van Hubert, Rousseeuw en Vanden Branden (2005), scheidt het een datamatrix in een schoon laag-rangdeel en een schaars deel met uitschieters.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/nl/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.
- FactoranalyseOnderzoeksstatistiek↔ compare
- HoofdcomponentenanalyseMachine learning↔ compare
- Robuuste regressieStatistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →