知识卡片
RBF核PCA三步与聚集
基于RBF核的PCA三步:①计算任意两样本对的RBF值得到对称核矩阵K(n样本得n×n);②对K做聚集(centering)处理;③按降序取前k个特征值对应特征向量。核PCA的特征向量不是主成分轴而是样本在这些轴上的映射;聚集是必要的,因为未显式计算新特征空间、无法保证其中心在零点。γ无通用值,需实验或网格搜索确定。
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
在第2步中聚集核矩阵就显得很有必要
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/在生成协方差矩阵并通过φ以非线性特征的组合替代点积时,所有特征的均值为0。由此,在第2步中聚集核矩阵就显得很有必要`)
- 结论依据:原文直接支撑上述要点。
- 原始内容:在第2步中聚集核矩阵就显得很有必要