Кернелске методе
У машинском учењу, кернелске машине су класа алгоритама за анализу патерна, чији је најпознатији члан машина потпорних вектора (СВМ). Ове методе укључују коришћење линеарних класификатора за решавање нелинеарних проблема.[1] Општи задатак анализе патерна је да пронађе и проучава опште типове релација (на пример, кластере, рангирања, главне компоненте, корелације, класификације) у скуповима података. За многе алгоритме који решавају ове задатке, подаци сировој репрезентацији морају бити експлицитно трансформисани у репрезентацију вектора обележја преко корисничке мапе карактеристика: насупрот томе, методе кернела захтевају само језгро које је одредио корисник, тј. функцију сличности над свим паровима тачака података израчунату коришћењем унутрашњих производа. Мапа карактеристика у машинама за кернелским машинама је бесконачно димензионална, али захтева само матрицу коначних димензија из корисничког уноса према представничкој теореми. Кернелске машине се споро израчунају за скупове података веће од неколико хиљада примера без паралелне обраде.
Кернелске методе дугују своје име коришћењу функција језгра, које им омогућавају да раде у високодимензионалном, имплицитном простору карактеристика без израчунавања координата података у том простору, већ једноставним израчунавањем унутрашњих производа између слика свих парова података у простору карактеристика. Ова операција је често рачунски јефтинија од експлицитног израчунавања координата. Овај приступ се назива „трик језгра“.[2] Кернелске функције су уведене за податке секвенце, графова, текста, слика, као и векторе.
Алгоритми који могу да раде са језгрима укључују кернелски перцептрон, машине потпорних векторима (СВМ), Гаусове процесе, анализу главних компоненти (ПЦА), анализу канонске корелације, риџ регресију, спектрално кластеровање, линеарне адаптивне филтере и многе друге.
Већина кернелских алгоритама је заснована на конвексној оптимизацији или сопственим вредностима и векторима и статистички је добро утемељена. Обично се њихова статистичка својства анализирају коришћењем теорије статистичког учења (на пример, коришћењем Радемакерове сложености).
Референце
уреди- ^ „Кернел метход”. Енгати (на језику: енглески). Приступљено 2023-04-04.
- ^ Тхеодоридис, Сергиос (2008). Паттерн Рецогнитион. Елсевиер Б.V. стр. 203. ИСБН 9780080949123.
Литература
уреди- Схаwе-Таyлор, Ј.; Цристианини, Н. (2004). Кернел Метходс фор Паттерн Аналyсис. Цамбридге Университy Пресс. ИСБН 9780511809682.
- Лиу, W.; Принципе, Ј.; Хаyкин, С. (2010). Кернел Адаптиве Филтеринг: А Цомпрехенсиве Интродуцтион. Wилеy. ИСБН 9781118211212.
- Сцхöлкопф, Б.; Смола, А. Ј.; Бацх, Ф. (2018). Леарнинг wитх Кернелс : Суппорт Вецтор Мацхинес, Регуларизатион, Оптимизатион, анд Беyонд. МИТ Пресс. ИСБН 978-0-262-53657-8.
Спољашње везе
уреди- Кернел-Мацхинес Орг—цоммунитy wебсите
- онлинепредицтион.нет Кернел Метходс Артицле