开源R包msPCA实现多成分稀疏主成分分析，高效且保持成分非冗余。
msPCA: An R Package for Sparse PCA with Multiple Components
- 采用交替最大化算法生成稀疏载荷向量，支持正交或零相关两种非冗余约束。
- 处理数千维特征数据，解释方差比例高，计算速度快，可行性偏差可控。
- 适合需要降维与可解释性的数据分析者，尤其适用于高维基因组或图像数据。
我们介绍msPCA：一个用于多成分稀疏主成分分析的开源R包。该包实现了一种交替最大化算法，生成一组稀疏载荷向量，共同解释数据集中的大部分方差，同时保持非冗余性。算法支持两种非冗余定义：载荷向量正交，或主成分之间两两零相关。在基准测试中，msPCA能够解决包含数千个特征的稀疏主成分分析问题，运行效率具有竞争力，产生的稀疏成分可行性偏差可控，且能解释较高比例的方差。
原文摘要 · Abstract (English)
We present msPCA: an open-source R package for sparse principal component analysis with multiple components. It implements an alternating maximization algorithm to generate a set of sparse loading vectors that collectively explain a large fraction of the variance in a dataset, while remaining non-redundant. The algorithm supports two definitions of non-redundancy: either orthogonality of the loading vectors or zero pairwise correlation between principal components (PCs). In the reported benchmarks, msPCA solves sparse PCA problems with thousands of features, achieving competitive runtimes while producing sparse components with controlled feasibility violations and a high fraction of variance explained.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。