PCA Kernel
A Análise de Componentes Principais por Kernel (PCA Kernel) é um método não linear de redução de dimensionalidade introduzido por Bernhard Schölkopf, Alexander Smola e Klaus-Robert Müller em 1997–1998. Ele estende a PCA linear clássica para variedades de dados curvas e não lineares, mapeando implicitamente os dados de entrada para um espaço de características de alta dimensão através de uma função kernel, e então realizando PCA padrão nesse espaço — tudo sem nunca computar explicitamente o mapeamento.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/pt/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.
- AutoencoderAprendizado profundo↔ compare
- IsomapAprendizado de máquina↔ compare
- Embedding Localmente Linear (LLE)Aprendizado de máquina↔ compare
- Máquina de Vetores de Suporte (Classificação)Aprendizado de máquina↔ compare
- t-SNEAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →