Kernel PCA
Analiza głównych składowych z użyciem jądra (Kernel PCA) jest nieliniową metodą redukcji wymiarowości wprowadzoną przez Bernharda Schölkopfa, Alexandra Smolę i Klausa-Roberta Müllera w latach 1997–1998. Rozszerza ona klasyczną liniową PCA na zakrzywione, nieliniowe rozmaitości danych poprzez niejawne mapowanie danych wejściowych do przestrzeni cech o wysokiej wymiarowości za pomocą funkcji jądra, a następnie wykonywanie standardowej PCA w tej przestrzeni — a wszystko to bez jawnego obliczania mapowania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/pl/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.
- AutoenkoderUczenie głębokie↔ compare
- IsomapUczenie maszynowe↔ compare
- Lokalnie Liniowe Osadzanie (LLE)Uczenie maszynowe↔ compare
- Maszyna wektorów nośnych (klasyfikacja)Uczenie maszynowe↔ compare
- t-SNEUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →