机器人PCA

ROBPCA:一种新的稳健主成分分析方法。提出了一种新的鲁棒主成分分析方法。经典的主成分分析是基于数据的经验协方差矩阵,因此对外围观测非常敏感。迄今为止,已经开发了两种强有力的方法。第一种方法基于鲁棒散射矩阵的特征向量,例如最小协方差行列式或S-估计,并且仅限于相对低维数据。第二种方法基于投影寻踪,可以处理高维数据。在这里,我们提出了ROBPCA方法,它将投影寻踪思想与鲁棒散射矩阵估计相结合。ROBPCA对未污染数据集产生更准确的估计,对污染数据产生更稳健的估计。ROBPCA可以快速计算,并且能够检测出精确的拟合情况。作为一个副产品,ROBPCA产生一个诊断图,显示并分类异常值。我们将该算法应用于化学计量学和工程学中的几个数据集。


zbMATH参考文献(参考 66篇文章 参考)

显示第1到第20个结果,共66个。
按年份排序(引用)
  1. Boudt,Kris;Rousseeuw,Peter J.;Vanduffel,Steven;Verdonck,Tim:最小正则化协方差行列式估计量(2020)
  2. Hayashi,Kohei;Yoshida,Yuichi:测试与子空间的接近性:恒定时间内的近似(\ell\infty)最小化(2020)
  3. Paindaveine,Davy;Remy,Julien;Verdebout,Thomas:弱可识别性下的主成分方向测试(2020)
  4. Agostinelli,Claudio;Greco,Luca:多变量位置和离散度的加权似然估计(2019)
  5. Bai,Jushan;Ng,Serena:近似因子模型的秩正则化估计(2019)
  6. Cevallos Valdiviezo,Holger;Van Aelst,Stefan:鲁棒子空间估计量的快速计算(2019年)
  7. 德布鲁恩,米切尔;霍普纳,塞巴斯蒂安;塞尔尼尔斯,斯文;威尔多克,蒂姆:外向性:哪些变量贡献最大?(2019年)
  8. Raymakers,Jakob;Rousseeuw,Peter:广义空间符号协方差矩阵(2019)
  9. Alrawashdeh,Mufda Jameel;Radwan,Taha Radwan;Abunawas,Kalid Abunawas:使用不同稳健方法进行线性判别分析(2018年)
  10. Arcimbaud,Aurore;Nordhausen,Klaus;Ruiz Gazen,Anne:多变量异常值检测的ICS及其在质量控制中的应用(2018)
  11. Bertsimas,Dimitris;Copenhaver,Martin S.:线性回归和矩阵回归中鲁棒化和正则化等价性的表征(2018)
  12. Heritier,Stephane;Victoria Feser,Maria Pia:讨论:“监测的力量:如何充分利用受污染的多变量样本”(2018年)
  13. Raymakers,雅各布;Rousseeuw,Peter J.;Vranckx,Iwein:讨论:“监测的力量:如何充分利用受污染的多变量样本”(2018年)
  14. Bulut,Hasan;厄纳,Yüksel:使用经典和稳健的主成分分析法评估土耳其发展机构地区的社会经济发展(2017年)
  15. 威尔科克斯,兰德:社会和行为科学的现代统计学。实用介绍(2017)
  16. Yoshida,Takuma:非线性曲面回归降维法(2017)
  17. Greco,Luca;Farcomeni,Alessio:稀疏稳健主成分分析的插件方法(2016)
  18. Philickselen,2016;Philicks-van,2016;Mechylen,Eva集群;Mechylen,2016年)
  19. Morris,Katherine;McNicholas,Paul D.:基于广义双曲混合的聚类、分类、判别分析和降维(2016)
  20. Schmitt,Eric;Vakili,Kaveh:鲁棒PCA的FastHCS算法(2016)