PCA con kernel
El Análisis de Componentes Principales con Kernel (Kernel PCA) es un método de reducción de dimensionalidad no lineal introducido por Bernhard Schölkopf, Alexander Smola y Klaus-Robert Müller en 1997–1998. Extiende el PCA lineal clásico a variedades de datos curvas y no lineales mapeando implícitamente los datos de entrada a un espacio de características de alta dimensionalidad a través de una función kernel, y luego realizando PCA estándar en ese espacio, todo ello sin calcular explícitamente el mapeo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/es/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.
- AutoencoderAprendizaje profundo↔ compare
- IsomapAprendizaje automático↔ compare
- Incrustación Lineal Local (LLE)Aprendizaje automático↔ compare
- Máquina de Vectores de Soporte (Clasificación)Aprendizaje automático↔ compare
- t-SNEAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →