知识卡片
核PCA对Gram双中心化
由输入经隐式特征映射得到的向量,其均值通常不是零。用中心化矩阵在K左右各乘一次,等价于把特征向量减均值后再求内积。随后用较大的非零特征值对应方向构造主成分,预测新样本需使用一致的中心化基准。
中心化后的内积可以用原始核矩阵代数变换得到。参见 [[核技巧只计算内积]]。
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
- 核函数及其应用 核PCA先中心化内积 · 查看原书依据
以上虽然完成了PCA基本的核化,但其核矩阵并没有进行中心化,仍不能作为真正的PCA核化版本。下面讨论如何对核矩阵进行中心化。
参考来源
- 位置:《机器学习基础》第11章,11.4 核PCA(book-source:extracted/机器学习基础/_epub-src/EPUB/xhtml/chapter74.xhtml)
- 结论依据:原文借「以上虽然完成了PCA基本的核化」处的论述给出本卡所解释的关系或做法。
- 原始内容:以上虽然完成了PCA基本的核化,但其核矩阵并没有进行中心化,仍不能作为真正的PCA核化版本。下面讨论如何对核矩阵进行中心化。