Kernel PCA
Kernel PCA (Kernel Principal Component Analysis) on epälineaarinen dimensionpudotusmenetelmä, jonka Bernhard Schölkopf, Alexander Smola ja Klaus-Robert Müller esittelivät vuosina 1997–1998. Se laajentaa klassisen lineaarisen PCA:n epälineaarisiin, kaareviin data-avaruuksiin implisiittisesti kuvaamalla syötedatan korkeaulotteiseen piirreavaruuteen kernel-funktion avulla, ja suorittamalla sitten standardin PCA:n tässä avaruudessa – kaikki ilman, että kuvausta tarvitsee koskaan laskea eksplisiittisesti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/fi/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.
- AutoenkooderiSyväoppiminen↔ compare
- IsomapKoneoppiminen↔ compare
- Paikallisesti lineaarinen upotus (LLE)Koneoppiminen↔ compare
- Tukivektorikone (luokittelu)Koneoppiminen↔ compare
- t-SNEKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →