核PCA原理解析
【参考资料】
核主成分分析(Kernel-PCA)
Kernel PCA
Kernel Principal Component Analysis
周志华 《机器学习》
1. PCA的缺陷
有些高维空间不适合PCA的线性降维方法,这时候就需要一些非线性降维的手段。
2. KPCA原理推导
Kernel PCA的基本思想是将原数据点非线性映射到高维空间,然后在高维空间中进行降维操作。
已知数据集为 ,其中 , 。存在一个非线性映射 ,映射后的数
据集为 。PCA是在 中讨论的,那么KPCA就是在映射后的空间 中讨论的。一般情况
下,映射 是无法显式求解的,所以需要引入核函数 ,使得:
传统PCA中,我们要求解协方差矩阵及其特征值和特征向量,在KPCA中,我们需要求解的则是映射后的数据的协方
差矩阵及其特征向量:
为了讨论方便,令
评论0