分类任务中核主成分分析近似方法的实证评估
机器学习
2017-12-13 v1 数据结构与算法
摘要
核主成分分析（KPCA）是一种应用广泛的热门降维技术。然而，它存在可扩展性差的问题。过去已提出多种近似方法来克服该问题。Nystr"om 方法、随机非线性成分分析（RNCA）和流式核主成分分析（SKPCA）被提出以处理 KPCA 的可扩展性问题。尽管具有理论保证，它们在实际学习任务中的性能此前未被探索。在这项工作中，针对多个真实世界数据集，对 SKPCA、RNCA 和 Nystr"om 方法在分类任务上进行了评估。所得结果表明，对于非常大的数据集，基于 SKPCA 的特征相比其他方法给出了好得多的分类准确率。
引用
@article{arxiv.1712.04196,
title = {Empirical Evaluation of Kernel PCA Approximation Methods in Classification Tasks},
author = {Deena P. Francis and Kumudha Raimond},
journal= {arXiv preprint arXiv:1712.04196},
year = {2017}
}