Kodola PCA
Kodola galveno komponenšu analīze (Kernel PCA) ir nelineāra dimensionalitātes samazināšanas metode, ko 1997.–1998. gadā ieviesa Bernhards Šelkofs (Bernhard Schölkopf), Aleksandrs Smola (Alexander Smola) un Klauss-Roberts Millers (Klaus-Robert Müller). Tā paplašina klasisko lineāro PCA uz izliektām, nelineārām datu daudzveidībām, netieši kartējot ievaddatus augstas dimensijas iezīmju telpā, izmantojot kodola funkciju, un pēc tam veicot standarta PCA šajā telpā — tas viss, nekad tieši neaprēķinot kartēšanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/lv/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.
- AutoencoderDziļā mācīšanās↔ compare
- IsomapMašīnmācīšanās↔ compare
- Lokāli lineārā iegulšana (LLE)Mašīnmācīšanās↔ compare
- Atbalsta vektoru mašīna (klasifikācija)Mašīnmācīšanās↔ compare
- t-SNEMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →