Kernel PCA
Kernel Principal Component Analysis (Kernel PCA) is een niet-lineaire dimensionaliteitsreductiemethode die in 1997–1998 werd geïntroduceerd door Bernhard Schölkopf, Alexander Smola en Klaus-Robert Müller. Het breidt de klassieke lineaire PCA uit naar gekromde, niet-lineaire datamanifolds door inputdata impliciet te mappen naar een hoog-dimensionale kenmerkruimte via een kernelfunctie, en vervolgens standaard PCA in die ruimte uit te voeren — dit alles zonder de mapping expliciet te berekenen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/nl/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.
- Auto-encoderDeep learning↔ compare
- IsomapMachine learning↔ compare
- Lokaal Lineaire Inbedding (LLE)Machine learning↔ compare
- Support Vector Machine (Classificatie)Machine learning↔ compare
- t-SNEMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →