Глоссарий ИИ
Полный словарь искусственного интеллекта
Ядерный метод главных компонент (Kernel PCA)
Расширение метода главных компонент с использованием ядерных функций для выявления нелинейных структур в данных. Эта техника неявно проецирует данные в пространство более высокой размерности, где они становятся линейно разделимыми.
Репродуцирующее гильбертово пространство с ядром
Полное функциональное пространство функций, в котором скалярное произведение может быть вычислено с использованием только оценок функций в определенных точках через ядерную функцию. Это математическое пространство обеспечивает теоретическую основу для ядерных методов в машинном обучении.
Ядерный трюк
Алгоритмическая техника, позволяющая работать в пространстве признаков высокой размерности без явного вычисления координат данных в этом пространстве. Она заменяет скалярные произведения вычислениями ядерных функций, снижая вычислительную сложность.
Ядерные собственные значения
Собственные значения центрированной матрицы Грама, которые представляют дисперсию, объясняемую каждой главной компонентой в неявном пространстве признаков. Они служат для определения относительной важности главных осей в ядерном PCA.
Ядерные собственные векторы
Собственные векторы матрицы Грама, которые определяют главные направления в пространстве признаков высокой размерности. Они выражаются как линейные комбинации исходных данных, взвешенные коэффициентами ядра.
Центрирование в пространстве признаков
Процесс вычитания среднего значения в неявном пространстве признаков, реализуемый путем корректировки матрицы Грама, а не данных напрямую. Этот этап критически важен для обеспечения корректного анализа дисперсии вокруг центра масс в ядерном PCA.
Выбор параметров ядра
Процесс оптимизации гиперпараметров ядерной функции (гамма для RBF, степень для полиномиального) для максимизации производительности ядерного PCA. Этот выбор влияет на сложность и характер захватываемых нелинейных отношений.
Реконструкция в исходном пространстве
Обратная операция проекции ядерного PCA, которая пытается восстановить исходные данные из главных компонент в неявном пространстве. Эта реконструкция является приблизительной и зависит от способности ядра сохранять релевантную информацию.
kPCA vs Классический PCA
Сравнение между традиционным PCA (линейным) и его ядерной версией (нелинейной) с точки зрения способности захватывать различные структуры данных. kPCA превосходит PCA, когда отношения между переменными демонстрируют сложные нелинейности.
Количество Сохраняемых Компонент
Определение оптимального количества главных компонент в kPCA на основе кумулятивной объясненной дисперсии или критериев реконструкции. Этот выбор влияет на способность снижения размерности при сохранении релевантной структурной информации.