PCA me bërthamë
Analiza e Komponentëve Kryesorë me Bërthamë (Kernel PCA) është një metodë jolineare e reduktimit të dimensionalitetit, e prezantuar nga Bernhard Schölkopf, Alexander Smola dhe Klaus-Robert Müller në vitet 1997–1998. Ajo e zgjeron PCA-në klasike lineare në shtresa të dhënash të lakuara dhe jolineare, duke hartuar në mënyrë të nënkuptuar të dhënat hyrëse në një hapësirë veçorish me dimensione të larta nëpërmjet një funksioni bërthamë, dhe më pas duke kryer PCA standarde në atë hapësirë — të gjitha pa llogaritur kurrë në mënyrë eksplicite hartëzimin.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/sq/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.
- AutoencoderMësimi i thellë↔ compare
- IsomapMësimi i makinës↔ compare
- Locally Linear Embedding (LLE)Mësimi i makinës↔ compare
- Makineria e Vektorëve Mbështetës (Klasifikimi)Mësimi i makinës↔ compare
- t-SNEMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →