Qual é a diferença entre pca e kernel pca?
  • O PCA padrão sempre encontra componentes principais lineares para representar os dados em menor dimensão. Em algum momento, precisamos de componentes principais não lineares. Se aplicarmos o PCA padrão para os dados abaixo, ele não conseguirá encontrar uma boa direção representativa. O PCA do Kernel (KPCA) retifica essa limitação.
    • O Kernel PCA apenas executa o PCA em um novo espaço.
    • Ele usa o truque do Kernel para encontrar componentes principais em diferentes espaços (espaço dimensional possivelmente alto).
    • O PCA encontra novas direções com base na matriz de covariância das variáveis ​​originais. Ele pode extrair valores máximos de P (número de recursos) próprios. O KPCA encontra novas direções com base na matriz do kernel. Pode extrair n (número de observações) autovalores.
    • A PCA nos permite reconstruir a pré-imagem usando poucos vetores próprios do total de vetores P próprios. Pode não ser possível no KPCA.
    • A complexidade computacional do KPCA para extrair componentes principais leva mais tempo em comparação com o PCA padrão.