核主成分分析方法（KPCA原理篇）

最新推荐文章于 2024-06-23 22:04:38 发布

沙漠之狐MSFollower

最新推荐文章于 2024-06-23 22:04:38 发布

阅读量6k

点赞数 1

分类专栏：机器学习数据挖掘

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/LiuPeiP_VIPL/article/details/108955478

版权

机器学习同时被 2 个专栏收录

32 篇文章 0 订阅

订阅专栏

5 篇文章 0 订阅

订阅专栏

（1）方法的基本思想是：对样本进行非线性变换，在变换空间进行主成分分析来实现在原空间的非线性主成分分析；

（2）算法步骤：

① 通过核函数计算矩阵 $K=\{ K_{ij}\}_{n \times n}$ ，其元素为 $K_{ij}=k(x_i,x_j)$ 。其中 x_i 和 x_j 为原空间的样本， $k(\cdot,\cdot)$ 是核函数。

② 计算K的特征值，并从大到小进行排列。找出由特征值对应的特征向量 $\alpha^l$ (表示第个特征向量)，并对 $\alpha^l$ 进行归一化( $||\alpha^l||=1$ )。

③ 原始样本在第个非主成分下的坐标为：

$Z^l(x)=\sum^n_{i=1}\alpha_i^lk(x_i,x)$

这里的 x_i 是指第i个样本， $\alpha^l$ 的维度与样本数相同。如果选择m个非线性主成分(即计算K的前m大个特征值及相应的特征向量)，则样本x在前m个非线性主成分上的坐标就构成了样本在新空间中的表示 [Z^1(x),Z^2(x),...,Z^m(x)]^T

沙漠之狐MSFollower

关注

1
点赞
踩
30

收藏

觉得还不错? 一键收藏
0
评论
核主成分分析方法（KPCA原理篇）

（1）方法的基本思想是：对样本进行非线性变换，在变换空间进行主成分分析来实现在原空间的非线性主成分分析；（2）算法步骤：① 通过核函数计算矩阵，其元素为。其中和为原空间的样本，是核函数。② 计算K的特征值，并从大到小进行排列。找出由特征值对应的特征向量(表示第个特征向量)，并对进行归一化()。③ 原始样本在第个非主成分下的坐标为：这里的是指第i个样本，的...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。