Kernel PCA
Kernel Principal Component Analysis (Kernel PCA) เป็นวิธีการลดมิติแบบไม่เชิงเส้นที่นำเสนอโดย Bernhard Schölkopf, Alexander Smola และ Klaus-Robert Müller ในปี 1997–1998 วิธีการนี้ขยายแนวคิดของ PCA เชิงเส้นแบบดั้งเดิมไปยังข้อมูลที่มีลักษณะโค้งหรือไม่เชิงเส้น โดยการจับคู่ข้อมูลอินพุตเข้าสู่ปริภูมิคุณลักษณะที่มีมิติสูงโดยปริยายผ่านฟังก์ชันเคอร์เนล จากนั้นจึงทำการ PCA มาตรฐานในปริภูมินั้น โดยไม่ต้องคำนวณการจับคู่นั้นอย่างชัดเจน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/th/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.
- ออโตเอ็นโค้ดเดอร์การเรียนรู้เชิงลึก↔ compare
- Isomapการเรียนรู้ของเครื่อง↔ compare
- Locally Linear Embedding (LLE)การเรียนรู้ของเครื่อง↔ compare
- Support Vector Machineการเรียนรู้ของเครื่อง↔ compare
- t-SNEการเรียนรู้ของเครื่อง↔ compare