تحليل المكونات الرئيسية باستخدام النواة (Kernel PCA)
يُعد تحليل المكونات الرئيسية باستخدام النواة (Kernel PCA) طريقة غير خطية لتقليل الأبعاد قدمها بيرنهارد شولكوف، وألكسندر سمولا، وكلاوس-روبرت مولر في عامي 1997-1998. وهي توسع تحليل المكونات الرئيسية الخطي التقليدي ليشمل بيانات متعددة المنحنيات وغير الخطية عن طريق تعيين بيانات الإدخال ضمنيًا إلى فضاء ميزات عالي الأبعاد عبر دالة نواة، ثم إجراء تحليل المكونات الرئيسية القياسي في ذلك الفضاء - كل ذلك دون حساب التعيين بشكل صريح.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Schölkopf, B., Smola, A. J., & Müller, K.-R. (1998). Nonlinear component analysis as a kernel eigenvalue problem. Neural Computation, 10(5), 1299–1319. DOI: 10.1162/089976698300017467 ↗
- Schölkopf, B., Smola, A. J., & Müller, K.-R. (1997). Kernel principal component analysis. In Artificial Neural Networks — ICANN'97, Lecture Notes in Computer Science, Vol. 1327, pp. 583–588. Springer. DOI: 10.1007/BFb0020217 ↗
- Schölkopf, B., & Smola, A. J. (2002). Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press. ISBN: 978-0-262-19475-4
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/ar/machine-learning/kernel-pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- المُشَفِّر التلقائيالتعلم العميق↔ compare
- إيزوماب (Isomap)تعلم الآلة↔ compare
- التضمين الخطي المحلي (LLE)تعلم الآلة↔ compare
- آلة المتجهات الداعمة (التصنيف)تعلم الآلة↔ compare
- t-SNEتعلم الآلة↔ compare