Kjerne-PCA
Kjerne-hovedkomponentanalyse (Kernel PCA) er en ikke-lineær metode for dimensjonsreduksjon introdusert av Bernhard Schölkopf, Alexander Smola og Klaus-Robert Müller i 1997–1998. Den utvider klassisk lineær PCA til buede, ikke-lineære datamanifolder ved implisitt å mappe inndata til et høydimensjonalt trekkrom via en kjernefunksjon, deretter utføre standard PCA i det rommet — alt uten noen gang å beregne mappingen eksplisitt.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/no/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.
- AutoenkoderDyp læring↔ compare
- IsomapMaskinlæring↔ compare
- Lokalt lineær innleiring (LLE)Maskinlæring↔ compare
- Støttevektormaskin (klassifisering)Maskinlæring↔ compare
- t-SNEMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →