【读论文】Generalized Discriminant Analysis Using a Kernel Approach（2000）

氧艺

已于 2022-04-27 16:29:25 修改

阅读量499

点赞数

分类专栏：读论文文章标签：分类支持向量机

于 2022-04-12 08:27:20 首次发布

本文链接：https://blog.csdn.net/yang_wanli/article/details/124114734

版权

读论文专栏收录该内容

60 篇文章 32 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

这篇论文提出了广义判别分析（GDA），一种使用核方法处理非线性判别分析的新方法，类似于支持向量机（SVM）。GDA通过将输入数据映射到高维特征空间实现非线性分类，并在小规模数据集上的表现与SVM和概率神经网络竞争。论文讨论了GDA的代数形式、特征值解析以及与LDA的关系，指出GDA提供了一个精确解，而不依赖于优化近似，且更易于扩展到多类问题。

摘要由CSDN通过智能技术生成

【读论文】Generalized Discriminant Analysis Using a Kernel Approach（2000）

使用核方法的广义判别分析
DOI：10.1162/089976600300014980

摘要：

We present a new method that we call generalized discriminant analysis (GDA) to deal with nonlinear discriminant analysis using kernel function operator. The underlying theory is close to the support vector machines (SVM) insofar as the GDA method provides a mapping of the input vectors into high-dimensional feature space. In the transformed space, linear properties make it easy to extend and generalize the classical linear discriminant analysis (LDA) to nonlinear discriminant analysis. The formulation is expressed as an eigenvalue problem resolution. Using a diff