تحلیل مؤلفههای اصلی کرنل (Kernel PCA)
تحلیل مؤلفههای اصلی کرنل (Kernel PCA) یک روش کاهش ابعاد غیرخطی است که توسط برنهارد شولکوف، الکساندر اسمولا و کلاوس-روبرت مولر در سالهای ۱۹۹۷-۱۹۹۸ معرفی شد. این روش با نگاشت ضمنی دادههای ورودی به یک فضای ویژگی با ابعاد بالا از طریق یک تابع کرنل، و سپس انجام PCA استاندارد در آن فضا — بدون محاسبه صریح نگاشت — PCA خطی کلاسیک را به منیفولدهای داده منحنی و غیرخطی تعمیم میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/fa/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.
- خودرمزگذاریادگیری عمیق↔ compare
- Isomapیادگیری ماشین↔ compare
- فشردهسازی محلی خطی (LLE)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان (طبقهبندی)یادگیری ماشین↔ compare
- تی-اسانای (t-SNE)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →