biscuitの博客

PCA将所有的样本作为一个整体对待，寻找一个均方误差最小意义下的最优线性映射，而没有考虑样本的类别属性，它所忽略的投影方向有可能恰恰包含了重要的可分性信息

KPCA（核主成分分析，Kernel PCA） 是PCA的非线性扩展，本质是“先升维，后降维”——通过核函数将数据隐式映射到高维（甚至无穷维）特征空间，再在该空间里做标准的线性PCA，从而在原始空间中捕捉非线性主成分。

类条件概率 p(\mathbf{x}|\omega_i) 和先验概率 P(\omega_i)

考虑特征向量 \mathbf{x} \in \mathbb{R}^d，假设类条件概率密度是高斯分布：

三种判别准则：

LeNet5 是 Yann LeCun 等人在 1998 年提出的卷积神经网络架构，主要用于手写数字识别。它由以下层次结构组成：

AlexNet 是 Alex Krizhevsky 等人在 2012 年提出的卷积神经网络架构，主要用于图像分类