Analyse robuste des composantes principalesAnalyse robuste en composantes principales
RPCA divise les données en deux matrices :
- Matrice de rang inférieur : décrit les principales caractéristiques des données, le bruit et les valeurs aberrantes supprimés
- Matrice clairsemée : constituée de bruit ET de signaux ! Facilite la détection de signaux/causes spéciales. Peut être utilisé par exemple pour étudier la durée de vie des moteurs ou des servocommandes.
La méthode a en général une résolution plus élevée pour trouver des groupes que la PCA standard, à part cela, la matrice de rang bas est plus efficace dans l'extraction de caractéristiques que la PCA.
Statistiques et analysesObjet : Analyse robuste en composantes principalesavoir hâte de 
Objet : Analyse en composantes principales robustes – Statut modifié en : En cours de développementRobust PCA est en cours de développement pour JMP 17, qui sera disponible à l'automne 2022.
Re: Analyse en composantes principales robustes - Statut modifié : Livré
