PCA Kernel
PCA Kernel (Kernel PCA) ialah kaedah pengurangan dimensi tak linear yang diperkenalkan oleh Bernhard Schölkopf, Alexander Smola, dan Klaus-Robert Müller pada 1997–1998. Ia melanjutkan PCA linear klasik kepada manifold data yang melengkung dan tak linear dengan memetakan data input secara implisit ke ruang ciri berdimensi tinggi melalui fungsi kernel, kemudian melakukan PCA standard dalam ruang tersebut — semuanya tanpa mengira pemetaan secara eksplisit.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/ms/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.
- AutoenkoderPembelajaran Mendalam↔ compare
- IsomapPembelajaran Mesin↔ compare
- Locally Linear Embedding (LLE)Pembelajaran Mesin↔ compare
- Mesin Vektor Sokongan (Klasifikasi)Pembelajaran Mesin↔ compare
- t-SNEPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →