Sağlam Temel Bileşen Analizi (RPCA)
Robust Principal Component Analysis · Ayrıca şöyle bilinir: RPCA, robust principal component analysis, low-rank plus sparse decomposition, Robust Temel Bileşen Analizi (RPCA)
Sağlam Temel Bileşen Analizi (RPCA), verilerin aykırı değerler ve gürültü ile kirlenmiş olduğu durumlarda güvenilir bileşenler çıkaran bir boyut indirgeme yöntemidir. Candès, Li, Ma ve Wright (2011) tarafından tanıtılan ve Hubert, Rousseeuw ve Vanden Branden (2005) tarafından geliştirilen ROBPCA yaklaşımında ele alınan bu yöntem, bir veri matrisini temiz, düşük ranklı bir kısım ve seyrek (sparse) bir aykırı değerler kısmı olarak ayırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yüksek boyutlu, sürekli, çok değişkenli verilerin keşifsel veya tanımlayıcı analizi için RPCA'yı kullanın; bu verilerde aykırı değerler veya bariz hatalar bulunduğundan şüpheleniyorsanız ve makul bir örneklem boyutuna (en az yaklaşık 30 gözlem) sahipseniz. Veri matrisinin makul bir şekilde düşük ranklı bir yapı artı seyrek bir bozulma kümesi olarak görülebildiği durumlarda uygundur. Veriler temiz olduğunda veya örneklem küçük olduğunda klasik PCA'yı tercih edin ve bozuk girişlerin oranı çok büyük olduğunda sonuçları dikkatli değerlendirin.
Güçlü yönler & sınırlılıklar
- Klasik PCA'nın bozulacağı durumlarda, aykırı değerler ve gürültü mevcutken bile güvenilir bileşenler çıkarır.
- Gerçek düşük ranklı yapıyı seyrek bariz hatalardan ayırır, böylece anormallikler doğrudan seyrek kısımda incelenebilir.
- Yüksek boyutlu, çok değişkenli sürekli veriler için çok uygundur.
- Küçük örneklemlerde (n < 30) düşük ranklı ayrıştırma güvenilmez hale gelir ve klasik PCA tercih edilir.
- Aykırı değer oranı çok yüksek olduğunda (yaklaşık %25'in üzerinde), seyrek matris tahmini kararsız hale gelir.
- Verilerin gerçekte düşük ranklı bir yapı artı seyrek bir bozulma kümesi olduğu varsayımına dayanır.
SSS
RPCA klasik PCA'dan nasıl farklıdır?
Klasik PCA, bileşenleri tüm verilere aynı anda uydurur, bu nedenle birkaç bariz aykırı değer temel yönelimleri döndürebilir. RPCA, verilerin temiz, düşük ranklı bir yapı artı seyrek bir bozulma kümesi olduğunu varsayar, bozulmaları ayrı bir matrise çeker ve yalnızca temiz kısımdan bileşenleri hesaplar.
L ve S matrisleri neyi temsil eder?
L, verinin gerçek düşük boyutlu yapısını yakalayan düşük ranklı matristir ve S, dağınık aykırı değerleri ve bariz hataları toplayan seyrek matristir. Temel bileşenler L'den gelirken, S anormallikleri yerleştirmek için incelenebilir.
Ne zaman sıradan PCA'yı tercih etmeliyim?
Veriler temiz olduğunda veya örneklem küçük olduğunda (n < 30), düşük ranklı ayrıştırma güvenilmez hale gelir ve klasik PCA daha iyi bir seçimdir.
Çok fazla aykırı değer olursa ne olur?
RPCA, bozulmaların seyrek olduğunu varsayar. Aykırı değer oranı çok yüksek olduğunda (kabaca %25'in üzerinde), seyrek matris tahmini kararsız hale gelir ve ayrıştırma artık güvenilemez.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Robust Principal Component Analysis. ScholarGate. https://scholargate.app/tr/statistics/robust-pca
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır