Kernel Principal Component Analysis (PCA): Объяснение на примере
Методы уменьшения размерности, такие как PCA, прекрасно работают, когда наборы данных линейно разделимы — но они терпят неудачу, как только появляются нелинейные закономерности. Именно это происходит с такими наборами данных, как «две луны»: PCA сглаживает структуру и смешивает классы. Kernel PCA устраняет этот недостаток, отображая данные в пространство с более высокой размерностью, где нелинейные закономерности … Читать далее