Kernel PCA
L'Analisi delle Componenti Principali con Kernel (Kernel PCA) è un metodo non lineare di riduzione della dimensionalità introdotto da Bernhard Schölkopf, Alexander Smola e Klaus-Robert Müller nel 1997-1998. Estende la PCA lineare classica a dati su manifold curvi e non lineari mappando implicitamente i dati di input in uno spazio di feature ad alta dimensionalità tramite una funzione kernel, per poi eseguire la PCA standard in quello spazio — il tutto senza mai calcolare esplicitamente la mappatura.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/it/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.
- AutoencoderApprendimento profondo↔ compare
- IsomapApprendimento automatico↔ compare
- Embedding localmente lineare (LLE)Apprendimento automatico↔ compare
- Support Vector Machine (Classificazione)Apprendimento automatico↔ compare
- t-SNEApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →