Kernel PCA
Die Kernel Principal Component Analysis (Kernel PCA) ist eine nichtlineare Methode zur Dimensionsreduktion, die 1997–1998 von Bernhard Schölkopf, Alexander Smola und Klaus-Robert Müller eingeführt wurde. Sie erweitert die klassische lineare PCA auf gekrümmte, nichtlineare Datenmannigfaltigkeiten, indem sie die Eingabedaten implizit über eine Kernel-Funktion in einen hochdimensionalen Merkmalsraum abbildet und dann in diesem Raum eine Standard-PCA durchführt – und das alles, ohne die Abbildung jemals explizit zu berechnen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/de/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.
- AutoencoderDeep Learning↔ compare
- IsomapMaschinelles Lernen↔ compare
- Lokal Lineare Einbettung (LLE)Maschinelles Lernen↔ compare
- Support Vector Machine (Klassifikation)Maschinelles Lernen↔ compare
- t-SNEMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →