Kernel PCA
A Kernel PCA (Kernel PCA) egy nemlineáris dimenziócsökkentő módszer, amelyet Bernhard Schölkopf, Alexander Smola és Klaus-Robert Müller vezetett be 1997–1998-ban. Ez kiterjeszti a klasszikus lineáris PCA-t görbe, nemlineáris adatsokaságokra azáltal, hogy implicit módon, egy kernel-függvényen keresztül, egy magas dimenziós jellemzőtérbe képezi le a bemeneti adatokat, majd ebben a térben standard PCA-t végez – mindezt anélkül, hogy explicit módon kiszámítaná a leképezést.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/hu/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.
- AutoencoderMélytanulás↔ compare
- IsomapGépi tanulás↔ compare
- Helyi lineáris beágyazás (LLE)Gépi tanulás↔ compare
- Support Vector Machine (Osztályozás)Gépi tanulás↔ compare
- t-SNEGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →