Kärn-PCA
Kärn-principalkomponentanalys (Kernel PCA) är en icke-linjär dimensionsreduktionsmetod som introducerades av Bernhard Schölkopf, Alexander Smola och Klaus-Robert Müller 1997–1998. Den utökar klassisk linjär PCA till krökta, icke-linjära datamångfalder genom att implicit avbilda indata till ett högdimensionellt särdragsrum via en kärnfunktion, och sedan utföra standard-PCA i det rummet – allt utan att någonsin explicit beräkna avbildningen.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/sv/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.
- AutoencoderDjupinlärning↔ compare
- IsomapMaskininlärning↔ compare
- Lokalt linjär inbäddning (LLE)Maskininlärning↔ compare
- Support Vector Machine (Klassificering)Maskininlärning↔ compare
- t-SNEMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →