kjernebaserte
Kjernebaserte metoder er en familie av lærealgoritmer som bruker kjernefunksjoner til å måle likhet mellom datapunkter og tillate beregning i et potensielt høydimensjonalt funksjonsrom uten eksplisitt kartlegging av dataene til dette rommet. Dette utnytter kernel-tricket og Mercer-teoremet for å gjøre ikke-lineær læring i et rom der dataene blir mer lineære.
Vanlige metoder inkluderer støttevektormaskiner (SVM) med ulike kerner, kjernebasert ridge-regresjon, kernel-PCA og kernel-k-means, samt stokastiske prosesser
Fordeler ved kjernebaserte metoder er evnen til å modellere ikke-lineære forhold uten eksplisitt å transformere dataene,
Historisk bygger kernel-metoder på Mercer's teorem, og de ble spesielt popularisert i maskinlæring av forskere som