Ανάλυση Κύριων Συνιστωσών με Πυρήνα (Kernel PCA)
Η Ανάλυση Κύριων Συνιστωσών με Πυρήνα (Kernel PCA) είναι μια μη γραμμική μέθοδος μείωσης διαστατικότητας που εισήχθη από τους Bernhard Schölkopf, Alexander Smola και Klaus-Robert Müller το 1997–1998. Επεκτείνει την κλασική γραμμική PCA σε καμπυλωτά, μη γραμμικά δεδομένα πολλαπλών ποικιλιών, χαρτογραφώντας εμμέσως τα δεδομένα εισόδου σε έναν χώρο χαρακτηριστικών υψηλής διάστασης μέσω μιας συνάρτησης πυρήνα, και στη συνέχεια εκτελώντας τυπική PCA σε αυτόν τον χώρο — όλα αυτά χωρίς ποτέ να υπολογιστεί ρητά η χαρτογράφηση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/el/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.
- ΑυτοκωδικοποιητήςΒαθιά Μάθηση↔ compare
- IsomapΜηχανική Μάθηση↔ compare
- Τοπικά Γραμμική Ενσωμάτωση (LLE)Μηχανική Μάθηση↔ compare
- Μηχανή Υποστήριξης Διανυσμάτων (Ταξινόμηση)Μηχανική Μάθηση↔ compare
- t-SNEΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →