Odborná definícia
Význam a odborné vymedzenie pojmu
Kernel method je trieda algoritmov, ktoré vyjadrujú učenie prevažne cez párové kernelové hodnoty medzi príkladmi. Lineárny postup v implicitnom príznakovom priestore sa tak správa nelineárne v pôvodných dátach bez explicitného výpočtu všetkých transformovaných príznakov. Do rodiny patria kernelové SVM, Kernel PCA, kernel ridge regression a Gaussian processes. Škálovanie býva obmedzené veľkosťou Gramovej matice a kvalita závisí od kernelu a regularizácie. Mnohé riešenia majú duálnu formu, v ktorej predikciu určujú koeficienty pri tréningových bodoch.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Namiesto návrhu stovák ručných nelineárnych príznakov určíte, ako sa majú dva vstupy porovnávať. Algoritmus potom skladá predikciu z podobností k tréningovým bodom. Pri RBF kerneli môže vytvoriť zakrivenú rozhodovaciu hranicu, hoci vnútorná optimalizácia zostáva lineárna v inom priestore. Výhodou je pevná matematická štruktúra a dobrý výkon na stredne veľkých dátach. Nevýhodou je, že s rastom počtu vzoriek rastie matica párových vzťahov. Pri menšom datasete môže taký model poraziť hlbokú sieť bez potreby rozsiahleho tréningu reprezentácií.
Časté otázky
Otázky, ktoré spresňujú význam
Ktoré algoritmy patria medzi jadrové metódy?
Support vector machines, kernel ridge regression, Kernel PCA, kernelová diskriminačná analýza, kernelové CCA a mnohé Gaussian process modely. Spája ich práca s kernelom alebo Gramovou maticou.
Prečo môžu byť jadrové metódy nelineárne?
Lineárna funkcia v bohatšom príznakovom priestore zodpovedá nelineárnej funkcii pôvodných vstupov. Kernel umožní vypočítať potrebné vnútorné súčiny bez explicitného zostrojenia tohto priestoru.
Ako sa líšia od neurónových sietí?
Kernel často používa vopred zvolenú podobnosť a optimalizácia môže byť konvexná. Neurónová sieť si reprezentáciu učí cez vrstvy a škáluje iným spôsobom. Ani jedna rodina nie je univerzálne lepšia.
Čo obmedzuje ich škálovanie?
Uloženie alebo výpočet n krát n Gramovej matice a riešenie súvisiaceho optimalizačného problému. Pomáhajú sparse formulácie, náhodné príznaky, Nyströmova aproximácia a rozdelené výpočty.
Ako sa vysvetľuje predikcia jadrovej metódy?
Možno sledovať podporujúce tréningové body, koeficienty v duálnej reprezentácii, citlivosť na príznaky a lokálne aproximácie. Samotná podobnosť však nemusí poskytnúť ľudsky zrozumiteľné pravidlo.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
- scikit-learn, SVM and kernels
- scikit-learn, Pairwise metrics
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.