Кернел PCA
Кернел PCA (Kernel Principal Component Analysis) — це нелінійний метод зменшення розмірності, представлений Бернхардом Шьолькьофом, Александром Смолою та Клаусом-Робертом Мюллером у 1997–1998 роках. Він розширює класичний лінійний PCA на вигнуті, нелінійні багатовиди даних, неявно відображаючи вхідні дані у високорозмірний простір ознак за допомогою кернел-функції, а потім виконуючи стандартний PCA у цьому просторі — і все це без явного обчислення відображення.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/uk/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.
- АвтокодувальникГлибоке навчання↔ compare
- ІзоמaпМашинне навчання↔ compare
- Локальне лінійне вкладення (LLE)Машинне навчання↔ compare
- Метод опорних векторів (класифікація)Машинне навчання↔ compare
- t-SNEМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →