kernelgebaseerde
Kernelgebaseerde methoden zijn benaderingen in statistiek en machine learning die gebruikmaken van kernelfuncties om data te vergelijken en te modelleren in een hoger-dimensionale feature ruimte, zonder expliciete transformatie van alle gegevens uit te voeren. De kern van de aanpak is de kerneltruc: het innerlijke product tussen twee representaties phi(x) en phi(x') wordt vervangen door een kernelfunctie k(x, x'), waardoor veel algoritmen alleen afhankelijk zijn van paren trainingsvoorbeelden.
Veelgebruikte kernels zijn lineair (k(x, x') = x·x'), polynoom en Gauss- of RBF-kernels (k(x, x') = exp(-gamma ||x-x'||^2)).
Kernelgebaseerde methoden omvatten onder meer support vector machines (SVM's) voor classificatie en regressie, kernel ridge regression,
Nadeel: selectie van kernel en hyperparameters is kritisch; het model kan overfitten bij veel flexibiliteit. De