kernel-pca

Kernel Pricipal Component Analysis (KPCA) – #3

Kernel Pricipal Component Analysis

Gerçek dünyada nonlinear problemlerle daha sık karşılaşılır. PCA ve LDA boyut indirgeme  teknikleri iyi seçim olmayabilir. Bu gibi durumlarda Kernel PCA kullanılır. Kernel PCA vasıtasıyla, veriyi daha yüksek boyutlu bir alana dönüştüren ve bu yüksek boyutlu alanda standart PCA’yı kullanarak  verilerin daha düşük boyuta  geri yanmasını sağlayan doğrusal olmayan haritalama (nonlinear mapping) gerçekleştirir. Böylece özellikler doğrusal sınıflandırıcı kullanılarak ayrılabilir.

Kernel PCA ‘ya parametre olarak kernel ve gamma değerini vermemiz gerekir.Optimum değerlerde  Grid Search algoritması kullanılarak  bulunur.

 

0 Paylaşımlar
Kernel Pricipal Component Analysis
Kernel Pricipal Component Analysis
Gerçek dünyada nonlinear problemlerle daha sık karşılaşılır.PCA ve LDA boyut indirgeme  teknikleri iyi seçim olmayabilir. Bu gibi durumlarda

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir