Jádrová PCA
Jádrová analýza hlavních komponent (Kernel PCA) je nelineární metoda redukce dimenzionality, kterou v letech 1997–1998 zavedli Bernhard Schölkopf, Alexander Smola a Klaus-Robert Müller. Rozšiřuje klasickou lineární PCA na zakřivené, nelineární datové variety tím, že implicitně mapuje vstupní data do vysokodimenzionálního příznakového prostoru pomocí jádrové funkce, a poté v tomto prostoru provádí standardní PCA – to vše bez explicitního výpočtu této mapy.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/cs/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.
- AutoencoderHluboké učení↔ compare
- IsomapStrojové učení↔ compare
- Lokálně lineární vnoření (LLE)Strojové učení↔ compare
- Stroj s podpůrnými vektory (klasifikace)Strojové učení↔ compare
- t-SNEStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →