稀疏主成分分析（Sparse PCA）概述

thursdaynights

于 2014-04-03 11:10:59 发布

阅读量1.5w

点赞数 2

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：稀疏PCA PCA SPCA

本文链接：https://blog.youkuaiyun.com/u013363719/article/details/22856887

稀疏主成分分析(Sparse PCA)由Hui Zou等人于2006年提出，旨在解决PCA解释性不强的问题。通过引入lasso（弹性网络）约束，SPCA能生成具有稀疏载荷的改进主成分，提高可解释性。算法已成功应用于常规多变量数据和基因表达数组，实验结果令人鼓舞。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Hui Zou et al. 2006年发表在《Journal of computational and graphical statistics》上的文章“Sparse principal component analysis” [1] 首次提出SparsePCA 的概念，截止到目前（2014年4月3日）该文章已经被引用853次（参考谷歌学术搜索数据）[2]。

Literature “Sparse principal component analysis”的摘要如下：

Principal component analysis (PCA) is widelyused in data processing and dimensionality reduction. However, PCA suffers fromthe fact that each principal component is a linear combination of all theoriginal variables, thus it is often difficult to interpret the results. We introducea new method called sparse principal component analysis (SPCA) using the lasso (elasticnet