Kernel PCA
Kernel PCA (analiza glavnih komponent s kernelom) nelinearna je metoda smanjenja dimenzionalnosti koju su predstavili Bernhard Schölkopf, Alexander Smola i Klaus-Robert Müller 1997.–1998. Ona proširuje klasičnu linearnu PCA na zakrivljene, nelinearne podatkovne varijetete implicitnim mapiranjem ulaznih podataka u prostor značajki visoke dimenzionalnosti putem kernel funkcije, a zatim izvođenjem standardne PCA u tom prostoru — sve bez eksplicitnog izračuna mapiranja.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/hr/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.
- AutoenkoderDuboko učenje↔ compare
- IsomapStrojno učenje↔ compare
- Lokalno linearno ugrađivanje (LLE)Strojno učenje↔ compare
- Stroj potpornih vektora (klasifikacija)Strojno učenje↔ compare
- t-SNEStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →