Trik jądro jest stosowana w kilku modelach uczenia maszynowego (np SVM ). Po raz pierwszy został wprowadzony w artykule „Teoretyczne podstawy metody funkcji potencjalnej w uczeniu się rozpoznawania wzorców” w 1964 r.
Definicja wikipedia mówi, że tak
sposób zastosowania algorytmu klasyfikatora liniowego do rozwiązania problemu nieliniowego poprzez odwzorowanie pierwotnych obserwacji nieliniowych na przestrzeń o większych wymiarach, gdzie następnie stosuje się klasyfikator liniowy; czyni to klasyfikację liniową w nowej przestrzeni równoważną klasyfikacji nieliniowej w przestrzeni pierwotnej.
Jednym z przykładów modelu liniowego, który został rozszerzony na problemy nieliniowe, jest jądro PCA . Czy sztuczkę jądra można zastosować do dowolnego modelu liniowego, czy też ma pewne ograniczenia?
Odpowiedzi:
Sztuczka jądra może być zastosowana tylko w modelach liniowych, w których przykłady w formułowaniu problemu pojawiają się jako produkty kropkowe (maszyny wektorowe wsparcia, PCA itp.).
źródło
Dwa dalsze odniesienia od B. Schölkopf :
oraz strona internetowa poświęcona maszynom jądra .
źródło
@ ebony1 podaje kluczowy punkt (+1), byłem współautorem artykułu omawiającego sposób kernelizacji uogólnionych modeli liniowych, np. regresji logistycznej i regresji Poissona, jest to dość proste.
GC Cawley, GJ Janacek i NLC Talbot, Uogólnione maszyny jądra, w materiałach z międzynarodowej wspólnej konferencji IEEE / INNS na temat sieci neuronowych (IJCNN-2007), strony 1732-1737, Orlando, Floryda, USA, 12-17 sierpnia 2007. ( www , pdf )
Napisałem również zestaw narzędzi (jakość badań) MATLAB (niestety nie ma instrukcji), który można znaleźć tutaj .
Możliwość modelowania rozkładu docelowego jest dość przydatna w kwanifikacji niepewności itp., Więc jest użytecznym (choć dość przyrostowym) dodatkiem do metod uczenia się jądra.
źródło