Kernmaschinen

Kernmaschinen bezeichnet im Kontext des maschinellen Lernens eine Klasse von Algorithmen, die Kernelfunktionen verwenden, um Berechnungen in hochdimensionalen Merkmalsräumen durchzuführen, ohne Merkmale explizit zu transformieren. Der zentrale Trick ist der Kernel-Trick, mit dem sich innere Produkte zwischen Merkmalsvektoren über eine Kernelfunktion berechnen lassen. Dadurch können nichtlineare Muster mit linearen Lernverfahren modelliert werden.

Zu den bekanntesten Kernmaschinen gehören Support Vector Machines (SVM) mit Kernel-Trick, Kernel Ridge Regression, Kernel Logistic Regression sowie Kernel Principal Component Analysis (Kernel-PCA). Diese Methoden arbeiten mit einer Ähnlichkeitsmatrix K, die Kernelemente zwischen Stichproben erfasst, ohne φ explizit zu berechnen.

Typische Kernelfunktionen sind der lineare Kernel, der polynomialer Kernel, der Radial Basis Function (RBF, Gaussian) und der Sigmoid-Kernel. Die Wahl des Kernels und Parameter wie C (Regularisierung) sowie gamma oder der Grad bestimmt Leistung, Generalisierung und Rechenaufwand.

Anwendungsbereiche umfassen Klassifikation, Regression und Dimensionsreduktion in Bereichen wie Biologie, Textanalyse, Bildverarbeitung und Finanzdaten. Kernel-Methoden ermöglichen die Modellierung komplexer, nichtlinearer Beziehungen, können aber bei großen Datensätzen speicher- und rechenintensiv sein. Zur Skalierung werden Approximationen, Random-Feature-Maps oder andere effiziente Techniken eingesetzt.

Der Begriff kann je nach Kontext auch auf Maschinen zur Verarbeitung oder Extraktion von Kernmaterialien verweisen; im maschinellen Lernen bezieht er sich jedoch meist auf kernel-basierte Lernmethoden.