PCA באמצעות גרעין (Kernel PCA)
ניתוח רכיבים עיקריים באמצעות גרעין (Kernel PCA) הוא שיטת הפחתת מימדיות לא-לינארית שהוצגה על ידי ברנהרד שלקופף (Bernhard Schölkopf), אלכסנדר סמולה (Alexander Smola) וקלאוס-רוברט מילר (Klaus-Robert Müller) בשנים 1997–1998. היא מרחיבה את ה-PCA הלינארי הקלאסי למניפולד נתונים מעוקלים ולא-לינאריים על ידי מיפוי מרומז של נתוני הקלט למרחב תכונות בעל מימדיות גבוהה באמצעות פונקציית גרעין, ולאחר מכן ביצוע PCA סטנדרטי במרחב זה — כל זאת מבלי לחשב את המיפוי במפורש.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/he/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.
- מפענח-מצפין (Autoencoder)למידה עמוקה↔ compare
- Isomapלמידת מכונה↔ compare
- Locally Linear Embedding (LLE)למידת מכונה↔ compare
- מכונת וקטורים תומכים (סיווג)למידת מכונה↔ compare
- t-SNEלמידת מכונה↔ compare