PCA cu nucleu
Analiza Componentelor Principale cu Nucleu (Kernel PCA) este o metodă neliniară de reducere a dimensionalității, introdusă de Bernhard Schölkopf, Alexander Smola și Klaus-Robert Müller în 1997–1998. Aceasta extinde PCA liniară clasică la varietăți de date curbe, neliniare, prin maparea implicită a datelor de intrare într-un spațiu de caracteristici de înaltă dimensionalitate printr-o funcție nucleu, apoi efectuând PCA standard în acel spațiu — totul fără a calcula vreodată explicit maparea.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/ro/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.
- AutoencoderÎnvățare profundă↔ compare
- IsomapÎnvățare automată↔ compare
- Îmbinarea Liniară Locală (LLE)Învățare automată↔ compare
- Mașina cu Vectori Suport (Clasificare)Învățare automată↔ compare
- t-SNEÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →