Jádrová analýza hlavních komponentů | AI slovník

Odborná definice

Kernel PCA je nelineárně rozšíření analýzy hlavních komponentů, které provede spektrální rozklad centrovanej Gramové matice místo kovariančnej matice původných příznaků. Hlavní osi vznikají v implicitním prostoru určenom kernelem, takže dokážu rozvinúť zakrivenou strukturu dat. Výsledek závisí na kernelu, jeho parametrů a počtu komponentů. Na rozdíl od lineární PCA nemá vždy jednoduchou inverznou transformaci ani přímou interpretaci zaťažení. Znaménko vlastného vektora je lubovolné, proto otočení osi mezi behmi neznamená vecnou změnu.

Srozumitelné vysvětlení

Body ležia na zakrivenej slučke, kterou obyčajná PCA vidí jako dva premiešané směry. RBF kernel nejprve vyjadrí lokálně podobnosti a Kernel PCA najde osi v prostoru, kde se slučka může rozvinúť. Dvojrozmerná projekce potom oddelí strukturu, kterou lineární rotace nedokázala zachytit. Pokud gamma nastavíte příliš vysoce, každý bod se stane téměř izolovaným. Při příliš nízké hodnote se metoda priblíži hladkej, málo informatívnej transformaci. Farebné zobrazení tříd může pomoci při auditu, nesmí však spetne riadit volbu parametrů na testovací sade.

Časté otázky

Jaký je rozdíl mezi PCA a Kernel PCA?

PCA hledá lineární směry maximálnej variance v původním prostoru. Kernel PCA diagonalizuje kernelovou matici a zachycuje nelineárně vztahy definované kernelem. Komponenty proto nemusí mít jednoduché váhy původných příznaků.

Musí se kernelová matice centrovat?

Ano, aby reprezentace v implicitním příznakovém prostoru měli nulový průměr. Centrování se provádí algebraicky nad Gramovou maticou a musí být konzistentní i při transformaci nových vzorků.

Jak se vybírají parametry kernelu?

Podle downstream úlohy, rekonstrukčného cíle, separace tříd, stability a validace bez úniku. Při čisto vizualizačnom použití je třeba zdokumentovat, že zvolený pohlad může zvýraznit pouze určitou geometrii.

Lze z projekce obnovit původní vstup?

Jde o pro-image problém, který nemusí mít přesné ani jedinečné řešení. Některé implementace učí približnou inverznou transformaci přes kernel ridge regression, výsledek však závisí na nastavení.

Je Kernel PCA vhodná na milióny záznamů?

Plná Gramova matice je obvykle příliš velká. Používají se vzorku, Nyströmova aproximace, random features nebo alternatívne nelineárně redukce, přičemž je třeba měřit ztrátu struktury.

Související pojmy

Zdroje a redakční stopa

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.