«kernel-trick» etiketlenmiş sorular

Temel bileşen analizi (PCA) yaptıktan sonra, PCA alanına yeni bir vektör yansıtmak istiyorum (yani PCA koordinat sistemindeki koordinatlarını bulmak). PCA'yı R dilinde kullanarak hesapladım prcomp. Şimdi vektörümü PCA dönme matrisi ile çarpabilmeliyim. Bu matristeki temel bileşenler satır veya sütunlar halinde mi düzenlenmelidir?

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

Çekirdek hüner birkaç makine öğrenme modellerinde (örneğin kullanılır SVM ). İlk olarak 1964'te "Örüntü tanıma öğreniminde potansiyel işlev yönteminin teorik temelleri" makalesinde tanıtılmıştır. Wikipedia tanımı bunun orijinal doğrusal olmayan gözlemleri, daha sonra doğrusal sınıflandırıcının kullanıldığı daha yüksek boyutlu bir alana eşleyerek doğrusal olmayan bir problemi çözmek için doğrusal bir sınıflandırıcı …

20 machine-learning  kernel-trick 

Matérn kovaryans işlevi Gauss Süreci'nde yaygın olarak çekirdek işlevi olarak kullanılır. Bu şekilde tanımlanır Cν(d)=σ221−νΓ(ν)(2ν−−√dρ)νKν(2ν−−√dρ)Cν(d)=σ221−νΓ(ν)(2νdρ)νKν(2νdρ) {\displaystyle C_{\nu }(d)=\sigma ^{2}{\frac {2^{1-\nu }}{\Gamma (\nu )}}{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}^{\nu }K_{\nu }{\Bigg (}{\sqrt {2\nu }}{\frac {d}{\rho }}{\Bigg )}} burada ddd bir mesafe fonksiyonu (Öklid mesafesi gibi), ΓΓ\Gamma gama fonksiyonudur, KνKνK_\nu ikinci …

19 spatial  gaussian-process  kernel-trick 

Primal , Dual ve Kernel Ridge Regresyonu arasındaki fark nedir ? İnsanlar her üçünü de kullanıyor ve herkesin farklı kaynaklarda kullandığı farklı gösterimden dolayı benim için zor. Birisi bana bu üç kelime arasındaki farkın ne olduğunu basit bir şekilde söyleyebilir mi? Ayrıca, her birinin avantajları ve dezavantajları neler olabilir ve …

19 regression  kernel-trick  ridge-regression 

Bir veri matrisini ayrıştırmak için çekirdek SVD kullanan bir kağıda algoritma uygulamak istiyorum. Bu yüzden çekirdek yöntemleri ve çekirdek PCA vb. İle ilgili materyaller okuyorum. Ama özellikle matematiksel ayrıntılar söz konusu olduğunda benim için hala çok belirsiz ve birkaç sorum var. Neden çekirdek yöntemleri? Ya da çekirdek yöntemlerinin faydaları nelerdir? …

19 pca  svd  kernel-trick 

Gauss Radyal Temel Fonksiyonu (RBF) ile lineer regresyon yapmak ve Gauss çekirdeği ile lineer regresyon yapmak arasındaki fark nedir?

18 regression  normal-distribution  kernel-trick 

Varsa çekirdeğin PCA ben doğrusal çekirdek seçim K(x,y)=x⊤yK(x,y)=x⊤yK(\mathbf{x},\mathbf{y}) = \mathbf x^\top \mathbf y , sonuç farklı olacak Sıradan doğrusal PCA ? Çözümler temelde farklı mı veya iyi tanımlanmış bir ilişki var mı?

17 pca  kernel-trick 

SVM'deki RBF Çekirdeğinin ne yaptığını nasıl anlayabilirim? Yani matematiği anlıyorum ama bu çekirdeğin ne zaman yararlı olacağını hissetmenin bir yolu var mı? RBF vektör mesafeleri içerdiğinden, kNN sonuçları SVM / RBF ile ilişkili midir? Polinom çekirdeği hakkında bir his edinmenin bir yolu var mı? Boyut ne kadar yüksekse, o kadar …

17 svm  kernel-trick 

Genel bir soru daha. Tahmini modelleme için bir rbf SVM kullanıyorum. Mevcut programımın kesinlikle biraz hızlanması gerektiğini düşünüyorum. Scikit öğrenmeyi kaba-ince arama + çapraz doğrulamayla kullanıyorum. Her SVM çalışması yaklaşık bir dakika sürer, ancak tüm iterasyonlarla, hala çok yavaş buluyorum. Sonunda çapraz doğrulama parçasını çoklu çekirdekler üzerinde çoklu olarak işlediğimi …

16 machine-learning  svm  predictive-models  scikit-learn  kernel-trick 

Çekirdek SVM'lerin arkasındaki sezgiyi anlamaya çalışıyorum. Şimdi, doğrusal SVM'nin nasıl çalıştığını anlıyorum, böylece verileri olabildiğince bölen bir karar satırı hazırlanıyor. Verileri daha yüksek boyutlu bir alana taşıma arkasındaki ilkeyi ve bunun bu yeni alanda doğrusal bir karar çizgisi bulmayı nasıl kolaylaştırabileceğini de anlıyorum. Anlamadığım şey, veri noktalarını bu yeni alana …

15 machine-learning  svm  kernel-trick 

Gauss süreç regresyonunun (GPR), (muhtemelen) sonsuz miktarda temel fonksiyon ile bayes lineer regresyonuna karşılık geldiği söylenir. Şu anda GPR kullanarak ne tür modeller ifade edebileceğime dair bir sezgi almak için bunu ayrıntılı olarak anlamaya çalışıyorum. Bunun GPR'yi anlamaya çalışmak için iyi bir yaklaşım olduğunu düşünüyor musunuz? Makine öğrenimi için Gauss …

14 gaussian-process  kernel-trick  basis-function 

Radyal temel işlevi için k ( x , y ) = exp ( - | | x - y | | 2 ) nasıl kanıtlanırsonlu boyutlu özelliği boşluk vardır, Hbazıları için böylecp:R,N→HElimizdekik(x,y)=⟨Φ(x),Φ(y)⟩?k(x,y)=exp(−||x−y||2)2σ2)k(x,y)=exp⁡(−||x−y||2)2σ2)k(x, y) = \exp(-\frac{||x-y||^2)}{2\sigma^2})HHHΦ:Rn→HΦ:Rn→H\Phi: \text{R}^n \to Hk(x,y)=⟨Φ(x),Φ(y)⟩k(x,y)=⟨Φ(x),Φ(y)⟩k(x, y) = \langle \Phi(x), \Phi(y)\rangle

14 machine-learning  svm  kernel-trick 

Kısa süre önce, bu boyutlardaki verileri doğrusallaştırmak amacıyla verileri daha yüksek boyutlu alanlara eşleyen Çekirdek numarasının kullanımını öğrendim. Bu tekniği kullanmaktan kaçınmam gereken durumlar var mı? Sadece doğru çekirdek fonksiyonunu bulmak meselesi mi? Doğrusal veriler için bu elbette yardımcı değildir, ancak doğrusal olmayan veriler için bu her zaman yararlı görünmektedir. …

13 machine-learning  svm  kernel-trick  heuristic 

Çekirdek işlevlerine dayanan birçok makine öğrenme algoritması var gibi görünüyor. SVM'ler ve NN'ler iki değil. Peki bir çekirdek fonksiyonunun tanımı nedir ve geçerli olması için gereksinimler nelerdir?

13 svm  terminology  kernel-trick 

Çekirdek PCA (temel bileşen analizi) ile nihai veri çıktısında hangi çekirdeğin iyi veri ayrılmasına yol açacağını seçmenin yolları nelerdir ve çekirdeğin parametrelerini optimize etmenin yolları nelerdir? Layman'ın mümkünse terimleri çok takdir edilecek ve bu yöntemleri açıklayan makalelere bağlantılar da iyi olurdu.

13 pca  cross-validation  dimensionality-reduction  kernel-trick  manifold-learning