Kernel PCA
Kernel Principal Component Analysis (Kernel PCA) je nelineárna metóda redukcie dimenzionality, ktorú v rokoch 1997–1998 predstavili Bernhard Schölkopf, Alexander Smola a Klaus-Robert Müller. Rozširuje klasickú lineárnu PCA na zakrivené, nelineárne dátové variety implicitným mapovaním vstupných dát do vysokodimenzionálneho priestoru príznakov pomocou kernelovej funkcie, potom vykonáva štandardnú PCA v tomto priestore – to všetko bez explicitného výpočtu mapovania.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/sk/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.
- AutoenkodérHlboké učenie↔ compare
- IsomapStrojové učenie↔ compare
- Lokálne lineárne vloženie (LLE)Strojové učenie↔ compare
- Support Vector Machine (Klasifikácia)Strojové učenie↔ compare
- t-SNEStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →