Kernel PCA
Kernel Principal Component Analysis (Kernel PCA) là một phương pháp giảm chiều phi tuyến được giới thiệu bởi Bernhard Schölkopf, Alexander Smola và Klaus-Robert Müller vào năm 1997–1998. Nó mở rộng PCA tuyến tính cổ điển sang các đa tạp dữ liệu cong, phi tuyến bằng cách ánh xạ ngầm dữ liệu đầu vào vào không gian đặc trưng có số chiều cao thông qua một hàm kernel, sau đó thực hiện PCA tiêu chuẩn trong không gian đó — tất cả mà không cần tính toán phép ánh xạ một cách tường minh.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Kernel Principal Component Analysis. ScholarGate. https://scholargate.app/vi/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.
- Bộ tự mã hóaHọc sâu↔ compare
- IsomapHọc máy↔ compare
- Locally Linear Embedding (LLE)Học máy↔ compare
- Máy Vectơ Hỗ trợ (Phân loại)Học máy↔ compare
- t-SNEHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →