交叉核矩阵(Cross-Kernel Matrix)和自身核矩阵(Self-Kernel Matrix)是核方法
中用于衡量不同数据集或同一数据集内部点之间相似度的矩阵
。
这些矩阵在多视图学习、核典型相关性分析(KCCA)、核主成分分析(Kernel PCA)和其他核方法中扮演着重要角色。
自身核矩阵
自身核矩阵是用于衡量数据集中各点之间相似度的矩阵
。对于一个数据集 ,自身核矩阵
其中,
- 是
核函数
,它接受两个数据点作为输入
,返回它们在映射到高维空间后的内积
,即 ,其中 是映射函数。
交叉核矩阵
交叉核矩阵用于衡量两个不同数据集之间的相似度
。对于两个数据集 和 ,交叉核矩阵
同样的,
- 是核函数,
用于衡量映射后的数据点之间的相似度。
举例
假设我们有一个简单的高斯核函数
(Radial Basis Function, RBF):
这里,
- 是点 和 之间的
欧几里得距离。
- 是高斯核的宽度参数,
决定了相似度随距离变化的速度。
总结
- 自身核矩阵和交叉核矩阵是核方法中
衡量数据点之间相似度的工具
。 - 自身核矩阵用于衡量
同数据集
内部点的相似度 - 交叉核矩阵用于衡量
不同数据集
之间点的相似度。 - 通过使用适当的核函数,这些矩阵能够捕获数据的
非线性结构
,这对于许多机器学习和数据挖掘任务都是至关重要的。