আমি একটি কাগজে একটি অ্যালগরিদম বাস্তবায়ন করতে চাই যা ডেটা ম্যাট্রিক্স পচে যাওয়ার জন্য কার্নেল এসভিডি ব্যবহার করে। সুতরাং আমি কার্নেল পদ্ধতি এবং কার্নেল পিসিএ ইত্যাদি সম্পর্কিত সামগ্রীগুলি পড়ছি তবে এটি এখনও আমার কাছে খুব অস্পষ্ট, বিশেষত যখন এটি গাণিতিক বিবরণে আসে এবং আমার কয়েকটি প্রশ্ন থাকে।
কার্নেল পদ্ধতি কেন? বা, কার্নেল পদ্ধতির সুবিধা কী কী? স্বজ্ঞাত উদ্দেশ্য কী?
এটি কি ধরে নিচ্ছে যে আরও উচ্চ মাত্রিক স্থানটি বাস্তব বিশ্বের সমস্যাগুলিতে আরও বাস্তবসম্মত এবং কার্নেলবিহীন পদ্ধতির তুলনায় ডেটাগুলিতে অ-লাইন সম্পর্ক প্রকাশ করতে সক্ষম? উপকরণ অনুসারে, কার্নেল পদ্ধতিগুলি ডেটাটিকে একটি উচ্চ-মাত্রিক বৈশিষ্ট্যযুক্ত স্থানে প্রজেক্ট করে তবে তাদের নতুন বৈশিষ্ট্য স্পেসটিকে স্পষ্ট করে গণনা করার দরকার নেই। পরিবর্তে, বৈশিষ্ট্য স্পেসে সমস্ত জোড়া ডাটা পয়েন্টের চিত্রগুলির মধ্যে কেবল কেবল অভ্যন্তরীণ পণ্যগুলি গণনা করা যথেষ্ট। তাহলে কেন উচ্চতর মাত্রিক স্থানটিতে প্রজেক্ট করা?
বিপরীতে, এসভিডি বৈশিষ্ট্যের স্থান হ্রাস করে। তারা কেন এটি বিভিন্ন দিকে করে? কার্নেল পদ্ধতিগুলি উচ্চ মাত্রা সন্ধান করে, যখন এসভিডি নিম্ন মাত্রা চায়। এগুলি একত্রিত করা আমার কাছে অদ্ভুত লাগছে। আমি যে কাগজটি পড়ছি তার অনুসারে ( সিমোনিডিস এট আল। ২০১০ ), এসভিডির পরিবর্তে কার্নেল এসভিডি প্রবর্তন করা তথ্যগুলিতে স্পারসিটি সমস্যা সমাধান করতে পারে, ফলাফলকে উন্নত করতে পারে।
চিত্রের তুলনা থেকে আমরা দেখতে পাচ্ছি যে কেপিসিএ পিসিএর চেয়ে উচ্চতর বৈকল্পিক (ইগেনভ্যালু) সহ একটি ইগেনভেક્ટર পেয়েছে, আমি মনে করি? কারণ ইগেনভেেক্টর (নতুন স্থানাঙ্ক) এর উপরে পয়েন্টগুলির অনুমানের বৃহত্তম পার্থক্যের জন্য, কেপিসিএ একটি বৃত্ত এবং পিসিএ একটি সরল রেখা, সুতরাং পিপিএর চেয়ে কেপিসিএ উচ্চতর বৈকল্পিকতা লাভ করে। সুতরাং এর অর্থ কি পিপিএ পিসিএর চেয়ে উচ্চতর প্রধান উপাদান পায়?
