Odborná definícia
Význam a odborné vymedzenie pojmu
Kernel PCA je nelineárne rozšírenie analýzy hlavných komponentov, ktoré vykoná spektrálny rozklad centrovanej Gramovej matice namiesto kovariančnej matice pôvodných príznakov. Hlavné osi vznikajú v implicitnom priestore určenom kernelom, takže dokážu rozvinúť zakrivenú štruktúru dát. Výsledok závisí od kernelu, jeho parametrov a počtu komponentov. Na rozdiel od lineárnej PCA nemá vždy jednoduchú inverznú transformáciu ani priamu interpretáciu zaťažení. Znamienko vlastného vektora je ľubovoľné, preto otočenie osi medzi behmi neznamená vecnú zmenu.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Body ležia na zakrivenej slučke, ktorú obyčajná PCA vidí ako dva premiešané smery. RBF kernel najprv vyjadrí lokálne podobnosti a Kernel PCA nájde osi v priestore, kde sa slučka môže rozvinúť. Dvojrozmerná projekcia potom oddelí štruktúru, ktorú lineárna rotácia nedokázala zachytiť. Ak gamma nastavíte príliš vysoko, každý bod sa stane takmer izolovaným. Pri príliš nízkej hodnote sa metóda priblíži hladkej, málo informatívnej transformácii. Farebné zobrazenie tried môže pomôcť pri audite, nesmie však spätne riadiť voľbu parametrov na testovacej sade.
Časté otázky
Otázky, ktoré spresňujú význam
Aký je rozdiel medzi PCA a Kernel PCA?
PCA hľadá lineárne smery maximálnej variancie v pôvodnom priestore. Kernel PCA diagonalizuje kernelovú maticu a zachytáva nelineárne vzťahy definované kernelom. Komponenty preto nemusia mať jednoduché váhy pôvodných príznakov.
Musí sa kernelová matica centrovať?
Áno, aby reprezentácie v implicitnom príznakovom priestore mali nulový priemer. Centrovanie sa vykonáva algebraicky nad Gramovou maticou a musí byť konzistentné aj pri transformácii nových vzoriek.
Ako sa vyberajú parametre kernelu?
Podľa downstream úlohy, rekonstrukčného cieľa, separácie tried, stability a validácie bez úniku. Pri čisto vizualizačnom použití treba zdokumentovať, že zvolený pohľad môže zvýrazniť iba určitú geometriu.
Dá sa z projekcie obnoviť pôvodný vstup?
Ide o pre-image problém, ktorý nemusí mať presné ani jedinečné riešenie. Niektoré implementácie učia približnú inverznú transformáciu cez kernel ridge regression, výsledok však závisí od nastavenia.
Je Kernel PCA vhodná na milióny záznamov?
Plná Gramova matica je zvyčajne príliš veľká. Používajú sa vzorky, Nyströmova aproximácia, random features alebo alternatívne nelineárne redukcie, pričom treba merať stratu štruktúry.
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, KernelPCA Schölkopf a kol., Nonlinear Component Analysis
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.