ACP à noyau
L'Analyse en Composantes Principales à noyau (ACP à noyau) est une méthode non linéaire de réduction de dimensionnalité introduite par Bernhard Schölkopf, Alexander Smola et Klaus-Robert Müller en 1997-1998. Elle étend l'ACP linéaire classique aux variétés de données courbes et non linéaires en projetant implicitement les données d'entrée dans un espace de caractéristiques de haute dimension via une fonction noyau, puis en effectuant une ACP standard dans cet espace — le tout sans jamais calculer explicitement la projection.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/fr/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.
- AutoencodeurApprentissage profond↔ compare
- IsomapApprentissage automatique↔ compare
- Plongement Linéaire Local (LLE)Apprentissage automatique↔ compare
- Machine à vecteurs de support (Classification)Apprentissage automatique↔ compare
- t-SNEApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →