知识卡片
核技巧与核PCA
现实多为非线性问题,PCA/LDA线性变换并非最佳。核PCA借核技巧把非线性可分数据映射到高维特征空间使其线性可分:定义非线性映射φ把d维映射到更高维k维,但直接映射计算成本高,故用核函数K在原始空间计算高维向量点积(相似度)避免显式计算φ。常用核有多项式核、sigmoid核、径向基/RBF(高斯)核。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 通过降维压缩数据 · 查看原书依据
通过使用核技巧,我们可以在原始特征空间中计算两个高维特征空间中向量的相似度
参考来源
- 位置:《Python机器学习》第5章《5.3.1 核函数与核技巧》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/通过使用核技巧,我们可以在原始特征空间中计算两个高维特征空间中向量的相似度`)
- 结论依据:原文直接支撑上述要点。
- 原始内容:通过使用核技巧,我们可以在原始特征空间中计算两个高维特征空间中向量的相似度