kernel

Im maschinellen Lernen bezeichnen Kernel-Methoden eine Klasse an Algorithmen, die zur Mustererkennung verwendet werden. Kernel-Methoden verwenden sogenannte Kernelfunktionen. Eine Kernelfunktion transformiert eine Menge von bekannten Datenpunkten in eine Menge von höherdimensionalen Datenpunkten. Danach sucht eine Kernel-Methode in dem neuen, höherdimensionalen Raum nach einer Hyperebene, die die Datenpunkte korrekt klassifiziert. Die Abbildung zum Kernel-Trick zeigt ein einfaches Beispiel. Die Transformation durch eine Kernelfunktion erlaubt außerdem eine implizite Berechnung im höherdimensionalen Raum. Dadurch können Kernel-Methoden auf der Suche nach einer geeigneten Hyperebene hochdimensionale Räume benutzen, ohne die dafür benötigte Rechenzeit erheblich zu erhöhen. Bekannte Kernel-Methoden sind Support Vector Machines, Gaußprozesse und die Kernel-PCA.