PCA แข็งแกร่ง (ตามที่พัฒนาโดยCandes et al, 2009หรือดีกว่ายังNetrepalli et al, 2014 ) เป็นวิธีที่นิยมใช้สำหรับการตรวจสอบค่าผิดปกติหลายตัวแปรแต่ Mahalanobis ระยะนอกจากนี้ยังสามารถนำมาใช้สำหรับการตรวจสอบขอบเขตที่กำหนดแข็งแกร่งประมาณการ regularized ของเมทริกซ์ความแปรปรวนร่วม ฉันอยากรู้เกี่ยวกับข้อดี (dis) ของการใช้วิธีหนึ่งกับอีกวิธีหนึ่ง
สัญชาตญาณของฉันบอกฉันว่าความแตกต่างที่ยิ่งใหญ่ที่สุดระหว่างสองคือเมื่อข้อมูลชุด "เล็ก" (ในความหมายทางสถิติ), PCA ที่แข็งแกร่งจะให้ความแปรปรวนร่วมอันดับที่ต่ำกว่าในขณะที่การประมาณค่าความแปรปรวนร่วมที่แข็งแกร่งจะแทน อันดับความแปรปรวนเนื่องจากการทำให้เป็นปกติ Ledoit-Wolf สิ่งนี้จะส่งผลกระทบต่อการตรวจหาค่าผิดปกติอย่างไร
คำถามที่น่าสนใจ แต่ฉันไม่สามารถเห็นว่าคำตอบสามารถสร้างแรงบันดาลใจได้อย่างไรหากไม่มีกรณีการใช้งานเฉพาะ คุณมี"การตรวจสอบที่เสียหายอย่างไม่มีการลด"หรือไม่? คุณมีข้อมูลที่มีเสียงดังหรือไม่? จำนวนของการใช้งาน RPCA เป็นหลักคือเทคนิคการประมาณค่าความแปรปรวนร่วมที่มีประสิทธิภาพ (ดูหลักการของ Jolliffe การวิเคราะห์องค์ประกอบ, Ed. 2 Ch. 10) ซึ่งพีซีนั้นถูกประเมินจากการประมาณค่าความแปรปรวนปกติ ดังนั้นความแตกต่างจากทั้งสองวิธีที่คุณกล่าวถึงอยู่ไกลจากที่ชัดเจน โดยทั่วไปการตรวจหาค่าผิดพลาดอัตโนมัติจะประสบความสำเร็จภายในบริบทของแอปพลิเคชันเฉพาะ
—
usεr11852พูดว่า Reinstate Monic
ปัญหา“ ข้อมูลที่มีเสียงดัง” ไม่ใช่การตรวจจับที่ไม่สำคัญ ฉันคิดว่าปัญหาการตรวจหาค่าผิดปกตินั้นมีข้อ จำกัด เพียงพอในตัวของมันเองเพื่อให้สามารถทำการเปรียบเทียบทั่วไประหว่างสองวิธีนี้โดยไม่มีกรณีการใช้งาน นี่เป็นคำถามเกี่ยวกับวิธีการ
—
Mustafa S Eisa
บางทีฉันอาจจะพูดมากเกินไปในพื้นที่น้อยเกินไปขอโทษสำหรับสิ่งนั้น สิ่งที่ฉันต้องการดึงดูดความสนใจคือทั้งสองวิธีที่คุณพูดถึงนั้นไม่แตกต่างกัน คุณควรพิจารณาเน้นที่การเปรียบเทียบระหว่างวิธีการติดตามการฉายภาพ (สิ่งที่คุณเรียกว่า RPCA) และวิธีการประมาณค่าความแปรปรวนร่วมที่มีประสิทธิภาพ (สิ่งที่คุณเรียกว่าระยะทาง Mahalanobis) การประมาณค่าความแปรปรวนร่วมที่แข็งแกร่งในตัวเองเป็นวิธีการที่ถูกต้องสมบูรณ์แบบสำหรับการใช้งาน RPCA (เช่น google "PCA M-Estimation") ไม่ต้องพูดถึงการมี PCA ที่ถ่วงน้ำหนักซึ่งคุณไม่ได้กล่าวถึงในบริบทของ RPCA
—
usεr11852พูดว่า Reinstate Monic
ไม่ต้องการคำขอโทษ :) ทั้งสองวิธีมีความแตกต่างอย่างมากโดยเฉพาะในชุดข้อมูลขนาดเล็ก หนึ่งในวิธีที่พวกเขาแตกต่างกันถูกกล่าวถึงในตอนท้ายของคำถามของฉัน ในขณะที่ (แข็งแกร่ง) PCA สามารถมองได้ว่าเป็นปัญหาการคาดการณ์ แต่ก็สามารถตีความได้ว่าเป็นปัญหาการประมาณค่าความแปรปรวนร่วมดังนั้นอาจมีความแตกต่างในวิธีการประมาณค่าพารามิเตอร์น้อยกว่าในแอปพลิเคชันและประสิทธิภาพ
—
Mustafa S Eisa
@ MustafaSEisa / คำถามที่ดี! ฉันคิดว่ามันสามารถตอบได้ในบริเวณที่เป็นระเบียบ: อันที่จริงมันเป็นหนึ่งใน peeves ของฉัน ฉันจะพยายามคำตอบที่ไม่แน่นอน ในเวลาเฉลี่ย ฉันคิดว่าวิธีที่มีประโยชน์ในการเข้าหามันในแง่ทั่วไปมากขึ้นคือการมองผลที่ตามมาของการใช้แบบจำลองกับกลุ่มค่าคงที่ที่ไม่เท่ากัน แต่ไม่เท่ากัน ขณะที่ฉันพยายามทำที่นี่ในบริบทที่แตกต่างกันเล็กน้อย
—
user603