Kernel PCA
Kernel Principal Component Analysis (Kernel PCA) е нелинеен метод за намаляване на размерността, въведен от Bernhard Schölkopf, Alexander Smola и Klaus-Robert Müller през 1997–1998 г. Той разширява класическата линейна PCA към извити, нелинейни многообразия от данни, като имплицитно картографира входните данни във високоизмерно векторно пространство чрез ядрена функция, след което прилага стандартна PCA в това пространство — всичко това без изрично изчисляване на картографирането.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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
Как да цитирате тази страница
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/bg/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.
- АвтоенкодерДълбоко обучение↔ compare
- IsomapМашинно обучение↔ compare
- Локално линейно влагане (LLE)Машинно обучение↔ compare
- Методът на опорните вектори (класификация)Машинно обучение↔ compare
- t-SNEМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →