Latent structure
カーネル主成分分析
カーネル主成分分析（Kernel PCA）は、1997年から1998年にかけてBernhard Schölkopf、Alexander Smola、Klaus-Robert Müllerによって導入された非線形次元削減手法である。これは、カーネル関数を介して入力データを暗黙的に高次元特徴空間にマッピングし、その空間で標準的なPCAを実行することによって、古典的な線形PCAを曲がった非線形データ多様体に拡張する。これらすべては、マッピングを明示的に計算することなく行われる。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/ja/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.
- オートエンコーダー深層学習↔ compare
- Isomap機械学習↔ compare
- Locally Linear Embedding (LLE)（局所線形埋め込み）機械学習↔ compare
- サポートベクターマシン（分類）機械学習↔ compare
- t-SNE機械学習↔ compare