kerntransformaties

Kerntransformaties is een term die in verschillende disciplines van de wiskunde en informatica uiteenlopende betekenissen heeft. In de lineaire algebra verwijst het meestal naar de kernel (kern) van een lineaire transformatie, terwijl in machine learning en statistiek kerntransformaties betrekking kunnen hebben op kernel-methoden die een niet-lineair probleem via een hogere dimensieruimte benaderen. Ook in beeld- en signaalverwerking komt men het begrip tegen, in de vorm van kernelfilters.

In de lineaire algebra is de kernel van een lineaire transformatie T: V → W gedefinieerd als ker(T) = {v ∈ V | T(v) = 0}. De kernel is een onderruimte van V en geeft de oplossingsruimte van het homomorfisme weer. De dimensie ervan heet nulliteit, en volgens het rang-nulliteitstheorema geldt dim(V) = rang(T) + nulliteit(T). Voorbeeld: T(x,y) = 3x + 4y op R^2; ker(T) bestaat uit alle (x,y) met 3x + 4y = 0, wat een rechte lijn door de oorsprong vormt.

In machine learning verwijst een kerneltransformatie naar het idee φ een input x af te beelden in een hogere dimensieruimte H, zodat de data lineair separabel worden. Het kernk k(x,y) = ⟨φ(x), φ(y)⟩ berekent inner products in de hogere ruimte zonder φ expliciet te berekenen, wat bekend staat als de kerneltruc. Veelgebruikte kernels zijn de lineaire kernel, de polynoomkernel (polynoomkernel), de RBF-kernel en de sigmoid-kernel. Toepassingen omvatten support vector machines, kernel PCA en nonparametrische regressie.

Daarnaast verwijst kernel naar een klein matrixje dat wordt toegepast bij convolutie in beeld- en signaalverwerking, bijvoorbeeld voor vervaging, verscherping of randdetectie. Kerntransformaties delen een centraal idee: een kern bepaalt hoe de transformatie informatie uit nabijgelegen punten betrekt, maar de precise betekenis hangt af van het vakgebied.