Robust Principal Component Analysis (RPCA)
Robust Principal Component Analysis är en dimensionsreduceringsmetod som extraherar pålitliga komponenter när data är kontaminerade av extremvärden och brus. Metoden introducerades av Candès, Li, Ma och Wright (2011) och utvecklades i ROBPCA-metoden av Hubert, Rousseeuw och Vanden Branden (2005). Den separerar en datamatris i en ren lågrankad del och en gles del med extremvärden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/sv/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.
- Faktoriell analysForskningsstatistik↔ compare
- Analys av huvudkomponenterMaskininlärning↔ compare
- Robust regressionStatistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →