Ядро

Материал из MachineLearning.

(Различия между версиями)

Текущая версия

Содержание

1 Ядра в машинном обучении
2 Интуитивное введение
3 Формальное определение
- 3.1 Общий принцип кирнелизации алгоритма
4 Теорема Мерсера и положительная определенность
- 4.1 Интуитивное объяснение роли Теоремы Мерсера
5 Основные свойства ядер и конструирование
6 Примеры стандартных ядер
7 Ядерный трюк в действии: пример ядерной гребневой регрессии
8 Практические примеры применения ядер
- 8.1 Классификация текстов: SVM с ядром RBF для анализа тональности
- 8.2 Классификация изображений: ядерный SVM в эпоху до глубокого обучения
9 Практические аспекты и выбор ядра
10 Заключение
11 См. также
12 Литература

Ядра в машинном обучении

Ядро (англ. kernel) в контексте машинного обучения — это функция, позволяющая вычислять скалярное произведение образов двух объектов в некотором, возможно, бесконечномерном, признаковом пространстве без явного отображения объектов в это пространство. Этот приём, известный как kernel trick (ядерный трюк), лежит в основе множества алгоритмов, позволяя им эффективно выявлять нелинейные закономерности в данных, оставаясь при этом вычислительно реализуемыми. Ядра являются фундаментальным инструментом в таких методах, как Метод опорных векторов, ядерная гребневая регрессия и ядерный метод главных компонент.

Интуитивное введение

Многие классические алгоритмы машинного обучения, такие как Логистическая регрессия или базовый SVM, являются линейными. Они способны строить лишь линейные разделяющие поверхности или линейные зависимости, что часто недостаточно для реальных данных. Традиционный подход к решению этой проблемы заключается в ручном конструировании новых, нелинейных признаков (например, полиномиальных признаков $x_1^2, x_1 x_2, x_2^2$ ) и последующем применении линейного алгоритма. Однако такой подход быстро становится вычислительно нереализуемым из-за "проклятия размерности", особенно если требуется отображение в пространство очень высокой или бесконечной размерности. Ядерный трюк предлагает элегантный обходной путь, заменяя все операции с координатами в расширенном пространстве вычислением специальной функции от исходных векторов.

Формальное определение

Функция двух переменных $\kappa: \mathcal{X} \times \mathcal{X} \to \mathbb{R}$ , где $\mathcal{X}$ — некоторое исходное пространство объектов, называется ядром, если существует гильбертово пространство $\mathcal{H}$ (называемое воспроизводящим ядром гильбертовым пространством, RKHS) и отображение $\varphi: \mathcal{X} \to \mathcal{H}$ , такие что для любых $\mathbf{x}, \mathbf{x}' \in \mathcal{X}$ выполняется:

$\kappa(\mathbf{x}, \mathbf{x}') = \langle \varphi(\mathbf{x}), \varphi(\mathbf{x}') \rangle_{\mathcal{H}}$

Ключевой момент здесь в том, что алгоритм, выраженный исключительно через скалярные произведения векторов, может быть "кирнелизован" простой заменой всех вхождений $\langle \mathbf{x}_i, \mathbf{x}_j \rangle$ на $\kappa(\mathbf{x}_i, \mathbf{x}_j)$ . Это эквивалентно неявному применению алгоритма в пространстве $\mathcal{H}$ , но все вычисления остаются в исходном пространстве $\mathcal{X}$ , завися только от размера выборки, а не от размерности $\mathcal{H}$ .

Общий принцип кирнелизации алгоритма

Кирнелизация — это процесс адаптации любого алгоритма, который можно выразить исключительно через скалярные произведения входных векторов, к работе в нелинейном признаковом пространстве. Процедура состоит из двух шагов:

Идентификация двойственной формы: Необходимо вывести формулировку алгоритма, где все обучающие примеры $\mathbf{x}_i$ входят только в операциях скалярного произведения $\langle \mathbf{x}_i, \mathbf{x}_j \rangle$ . Часто это возможно благодаря переходу от прямой (параметрической) формы к двойственной (основанной на данных). Классический пример — двойственная задача SVM, где матрица $\mathbf{X}\mathbf{X}^T$ в целевой функции содержит именно попарные скалярные произведения.
Подстановка ядра: Как только алгоритм представлен в терминах $\langle \mathbf{x}_i, \mathbf{x}_j \rangle$ , производится замена $\langle \mathbf{x}_i, \mathbf{x}_j \rangle \to \kappa(\mathbf{x}_i, \mathbf{x}_j)$ как в процессе обучения, так и при предсказании. Для нового объекта $\mathbf{x}_{\text{new}}$ предсказание также будет зависеть от ядерных вычислений $\kappa(\mathbf{x}_i, \mathbf{x}_{\text{new}})$ между ним и опорными (или всеми обучающими) векторами.

Таким образом, алгоритм неявно работает в пространстве $\mathcal{H}$ , но не требует ни вычисления отображения $\varphi$ , ни знания размерности этого пространства. Это позволяет, например, использовать RBF-ядро, соответствующее бесконечномерному $\varphi$ , без каких-либо дополнительных вычислительных затрат по сравнению с конечномерным случаем.

Теорема Мерсера и положительная определенность

Критерием того, что функция $\kappa$ является допустимым ядром в некотором гильбертовом пространстве, служит теорема Мерсера (для компактных пространств). На практике используется более общее и конструктивное определение: функция $\kappa$ является ядром тогда и только тогда, когда она симметрична ( $\kappa(\mathbf{x}, \mathbf{x}') = \kappa(\mathbf{x}', \mathbf{x})$ ) и порождаемая ею матрица Грама $\mathbf{K}$ является неотрицательно определенной (положительно полуопределенной) для любого конечного набора точек $\{\mathbf{x}_1, \dots, \mathbf{n}\}$ . Матрица $\mathbf{K}$ имеет элементы $K_{ij} = \kappa(\mathbf{x}_i, \mathbf{x}_j)$ , и условие неотрицательной определенности означает, что для любого вектора $\mathbf{c} \in \mathbb{R}^n$ выполняется $\mathbf{c}^T \mathbf{K} \mathbf{c} \ge 0$ . Это условие гарантирует, что функция ядра неявно соответствует скалярному произведению в некотором, возможно, бесконечномерном, пространстве.

Интуитивное объяснение роли Теоремы Мерсера

На интуитивном уровне теорема Мерсера и условие положительной определенности решают фундаментальную проблему: гарантируют, что наша "подмена" скалярного произведения ядром математически корректна. Ключевая идея в следующем:

Существование пространства: Мы заменяем $\langle \mathbf{x}_i, \mathbf{x}_j \rangle$ на $\kappa(\mathbf{x}_i, \mathbf{x}_j)$ , подразумевая, что где-то "есть" признаки $\varphi(\mathbf{x})$ , для которых ядро дает скалярное произведение. Теорема Мерсера гарантирует, что для любой симметричной и положительно определенной функции такое пространство и такое отображение действительно существуют, даже если мы никогда не будем их строить. Без этой гарантии мы не могли бы полагаться на корректность операций, основанных на аксиомах скалярного произведения.
**Оптимизационная интерпретация**: Условие $\mathbf{c}^T \mathbf{K} \mathbf{c} \ge 0$ означает, что функция потерь, записанная в терминах ядра, остается выпуклой. Например, двойственная задача SVM остается задачей выпуклого квадратичного программирования, что гарантирует существование единственного глобального оптимума и эффективную сходимость алгоритмов оптимизации. Если бы матрица $\mathbf{K}$ не была положительно полуопределенной, задача оптимизации могла бы стать невыпуклой с множеством локальных минимумов.
**Геометрическая согласованность**: Условие положительной определенности гарантирует, что ядро порождает геометрию, согласованную с понятиями расстояния и угла в некотором евклидовом пространстве. Расстояние между образами, индуцированное ядром, $\|\varphi(\mathbf{x}) - \varphi(\mathbf{x}')\|^2 = \kappa(\mathbf{x}, \mathbf{x}) + \kappa(\mathbf{x}', \mathbf{x}') - 2\kappa(\mathbf{x}, \mathbf{x}')$ , будет удовлетворять всем аксиомам метрики, что необходимо для осмысленных геометрических выводов.

Основные свойства ядер и конструирование

Множество допустимых ядер замкнуто относительно ряда операций, что позволяет конструировать сложные ядра из простых "вручную", учитывая специфику данных. Если $\kappa_1, \kappa_2$ — ядра на $\mathcal{X}$ , $a > 0$ , $f: \mathcal{X} \to \mathbb{R}$ , $\mathbf{A}$ — положительно определенная матрица, то следующие функции также являются ядрами:

$\kappa(\mathbf{x}, \mathbf{x}') = \kappa_1(\mathbf{x}, \mathbf{x}') + \kappa_2(\mathbf{x}, \mathbf{x}')$ (сумма ядер)
$\kappa(\mathbf{x}, \mathbf{x}') = a \cdot \kappa_1(\mathbf{x}, \mathbf{x}')$ (умножение на положительную константу)
$\kappa(\mathbf{x}, \mathbf{x}') = \kappa_1(\mathbf{x}, \mathbf{x}') \cdot \kappa_2(\mathbf{x}, \mathbf{x}')$ (произведение ядер)
$\kappa(\mathbf{x}, \mathbf{x}') = f(\mathbf{x}) \kappa_1(\mathbf{x}, \mathbf{x}') f(\mathbf{x}')$ (нормализация)
$\kappa(\mathbf{x}, \mathbf{x}') = \mathbf{x}^T \mathbf{A} \mathbf{x}'$ (ядро с учетом линейного преобразования признаков)

Примеры стандартных ядер

Рассмотрим наиболее распространенные семейства ядер, используемые на практике для данных в виде векторов $\mathbf{x}, \mathbf{x}' \in \mathbb{R}^d$ .

Линейное ядро

$\kappa(\mathbf{x}, \mathbf{x}') = \langle \mathbf{x}, \mathbf{x}' \rangle = \mathbf{x}^T \mathbf{x}'$ Простейшее ядро, соответствующее тождественному отображению $\varphi(\mathbf{x}) = \mathbf{x}$ . Приводит к обычному линейному алгоритму. Полезно как базовый случай и для задач с высокой размерностью, где линейная разделимость уже достигнута.

Полиномиальное ядро

$\kappa(\mathbf{x}, \mathbf{x}') = (\gamma \langle \mathbf{x}, \mathbf{x}' \rangle + c)^d$ где $d \in \mathbb{N}$ — степень полинома, $\gamma > 0$ — коэффициент масштабирования, $c \ge 0$ — свободный член. Это ядро соответствует пространству всех мономиальных признаков степени вплоть до $d$ . Оно позволяет улавливать полиномиальные взаимодействия между исходными признаками.

Радиально-базисное ядро (Гауссово, RBF)

$\kappa(\mathbf{x}, \mathbf{x}') = \exp\left( -\gamma \|\mathbf{x} - \mathbf{x}'\|^2 \right)$ где $\gamma > 0$ — параметр ширины ядра. Это одно из самых популярных ядер. Оно соответствует бесконечномерному признаковому пространству и может моделировать чрезвычайно сложные, локальные зависимости. Параметр $\gamma$ контролирует "радиус влияния" одного примера: большое значение приводит к переобучению (гибкая, изрезанная граница), маленькое — к недообучению (почти линейная граница).

Сигмоидное ядро

$\kappa(\mathbf{x}, \mathbf{x}') = \tanh(\gamma \langle \mathbf{x}, \mathbf{x}' \rangle + c)$ Данное ядро происходит из области нейронных сетей. Однако оно является допустимым (положительно определенным) только для некоторых значений параметров $\gamma, c$ , что ограничивает его прямое использование в строгой ядерной теории, хотя на практике оно иногда применяется.

Ядра для специфических структур данных

Ядерный подход не ограничивается векторами из $\mathbb{R}^d$ . Существуют ядра, определенные на строках (на основе расстояния редактирования), графах (ядро случайных блужданий, random walk kernel), множествах, деревьях и других сложных объектах. Это позволяет применять весь арсенал ядерных методов к задачам биоинформатики, обработки текстов и хемоинформатики.

Ядерный трюк в действии: пример ядерной гребневой регрессии

Рассмотрим задачу линейной регрессии с квадратичной функцией потерь и L2-регуляризацией (гребневая регрессия). Решение в терминах исходных признаков дается формулой $\mathbf{w} = (\mathbf{X}^T\mathbf{X} + \lambda \mathbf{I})^{-1}\mathbf{X}^T\mathbf{y}$ . Используя матричное тождество, его можно переписать в "дуальную форму", зависящую только от скалярных произведений $\mathbf{X}\mathbf{X}^T$ : $\mathbf{y}_{\text{pred}}(\mathbf{x}_{\text{new}}) = \mathbf{y}^T (\mathbf{K} + \lambda \mathbf{I})^{-1} \mathbf{k}$ , где $\mathbf{K}$ — матрица Грама на обучающей выборке, а вектор $\mathbf{k}$ состоит из ядерных оценок $\kappa(\mathbf{x}_i, \mathbf{x}_{\text{new}})$ . Замена всех скалярных произведений на функцию ядра дает нелинейную ядерную гребневую регрессию, способную аппроксимировать сложные нелинейные функции.

Практические примеры применения ядер

Ядерные методы демонстрируют высокую эффективность в ситуациях, где данные не являются линейно разделимыми, а размерность признакового пространства высока. Ниже приведены два характерных примера из реальной практики.

Классификация текстов: SVM с ядром RBF для анализа тональности

В задаче анализа тональности отзывов требуется определить, является ли текст положительным или отрицательным.

Векторизация: Каждый документ преобразуется в вектор $\mathbf{x} \in \mathbb{R}^d$ с помощью TF-IDF-взвешивания, где $d$ — размер словаря (обычно десятки тысяч слов). В таком пространстве документы разных классов часто перекрываются и не разделяются линейно из-за синонимии, многозначности слов и сложных контекстных взаимосвязей.
Выбор ядра: Линейное ядро (по сути, линейный классификатор) является хорошим baseline, но для улавливания нелинейных взаимодействий между термами применяется RBF-ядро. Оно позволяет неявно моделировать ситуации вида "наличие слова A вблизи слова B меняет смысл на противоположный", что недоступно чисто линейной модели.
Результат: SVM с RBF-ядром на представлении TF-IDF долгое время была стандартом де-факто для задач классификации текстов до появления Word2Vec и трансформеров, показывая точность, превосходящую наивный байесовский классификатор и линейные модели.

Классификация изображений: ядерный SVM в эпоху до глубокого обучения

До повсеместного распространения свёрточных нейронных сетей одним из лучших подходов к классификации рукописных цифр (MNIST) и распознаванию объектов в небольших датасетах был следующий пайплайн:

Извлечение признаков: Из изображений извлекались высокоуровневые признаки, инвариантные к сдвигу и повороту, например, HOG (Histogram of Oriented Gradients) или признаки на основе банка фильтров Габора.
Классификация: Полученные векторы признаков классифицировались с помощью SVM с RBF-ядром или полиномиальным ядром степени 2 или 3. Ядро неявно моделировало сложные взаимодействия между выходами различных фильтров, соответствующие определенным формам и текстурам.
Преимущество: Такой подход был вычислительно эффективнее и требовал меньше данных для обучения, чем полносвязные нейронные сети того времени, и служил стандартным, очень сильным бейзлайном в компьютерном зрении.

Практические аспекты и выбор ядра

Выбор ядра и его гиперпараметров — центральная задача при использовании ядерных методов. Решения здесь принимаются на основе анализа данных, размера выборки и требуемой сложности модели.

Стратегия выбора типа ядра

Рекомендуется следовать иерархическому подходу, начиная с простого и двигаясь к сложному, используя кросс-валидацию для объективного сравнения.

1. Линейное ядро (Baseline): Всегда следует начинать с него. Термин baseline (базовая модель) означает простую, хорошо интерпретируемую и быстро обучаемую модель, которая служит точкой отсчета. Если линейное ядро дает приемлемое качество, его, как правило, и выбирают. Линейная модель:
- Предпочтительна, когда размерность признакового пространства $d$ очень велика (например, $d \approx 10^5$ в задачах анализа текстов с TF-IDF). В таких данных высокая размерность часто уже обеспечивает хорошую линейную разделимость, а введение нелинейности чревато переобучением.
- Интерпретируема: веса признаков $\mathbf{w}$ могут быть проанализированы, что важно в биоинформатике или финансах.
- Вычислительно эффективна: обучение может быть выполнено за линейное время от $d$ , минуя построение полной ядерной матрицы $O(n^2)$ .

2. Радиально-базисное ядро (RBF): Это следующий шаг, если линейное ядро показало неудовлетворительный результат. RBF-ядро является выбором "по умолчанию" для нелинейных задач по ряду причин:
- Универсальность: Теоретически, при правильном подборе $\gamma$ и $C$ способно аппроксимировать любую непрерывную границу решений.
- Численная стабильность: Значения ядра лежат в диапазоне $(0, 1]$ , что обеспечивает хорошую обусловленность матрицы Грама, в отличие от полиномиального ядра высокой степени, значения которого могут расходиться.
- Малое число гиперпараметров: Всего два ( $C$ и $\gamma$ ), что упрощает настройку по сравнению с полиномиальным ядром.

3. Полиномиальное ядро: Используется реже RBF, но целесообразно в случаях, когда предметная область подразумевает полиномиальный характер взаимодействий (например, в некоторых задачах физики или при кодировании взаимодействий генов). Основная трудность — настройка сразу трех гиперпараметров: $d, \gamma, c$ .

Детальная настройка гиперпараметров

Гиперпараметры ядерных методов управляют компромиссом между переобучением и недообучением. Их подбор всегда осуществляется на отложенной валидационной выборке через решетчатый поиск (Grid Search) с кросс-валидацией.

Параметр регуляризации $C$ (для SVM): Общий для ядерных SVM. Это параметр, определяющий штраф за неправильную классификацию обучающих примеров. Контролирует баланс между шириной разделяющей полосы и количеством ошибок на обучении.
- Малое $C$ ( $10^{-3} \dots 10^{-1}$ ): Увеличивает ширину полосы, разрешая множественные нарушения границы. Приводит к более гладкой, простой границе решений. Используется при сильном переобучении или зашумленных данных. Эквивалентно сильной регуляризации.
- Большое $C$ ( $10^2 \dots 10^4$ ): Штрафует ошибки на обучающей выборке очень сильно, стремясь классифицировать все примеры верно. Полоса сужается, граница становится изрезанной и подстраивается под индивидуальные выбросы. Ведет к переобучению. Эквивалентно слабой регуляризации.
- Рекомендуемый диапазон поиска: Экспоненциальная сетка, например, $[10^{-3}, 10^{-2}, ..., 10^3, 10^4]$ .

Параметр ширины ядра $\gamma$ (для RBF, полиномиального и сигмоидного ядер): Определяет "радиус влияния" одного примера или масштаб скалярного произведения.
- Малое $\gamma$ ( $10^{-4} \dots 10^{-2}$ ): Модель "видит" примеры как далеко рассеянные; даже далекие точки считаются похожими ( $\kappa(\mathbf{x}, \mathbf{x}') \to 1$ ). Граница решений получается очень гладкой, почти линейной, что ведет к сильному недообучению.
- Большое $\gamma$ ( $10 \dots 10^3$ ): Влияние каждого примера становится чрезвычайно локальным; уже небольшие расстояния приводят к почти нулевому сходству ( $\kappa(\mathbf{x}, \mathbf{x}') \to 0$ ). Граница решений формирует маленькие "островки" вокруг опорных векторов, идеально разделяя обучающие данные, но теряя способность к обобщению — классическое переобучение.
- Эвристика для начального приближения: Установите $\gamma \approx 1 / d$ , где $d$ — количество признаков, или используйте $\gamma \approx 1 / \text{медиана}(\|\mathbf{x}_i - \mathbf{x}_j\|^2)$ , что масштабирует параметр, делая его инвариантным к дисперсии данных.
- Рекомендуемый диапазон поиска: Экспоненциальная сетка, например, $[10^{-5}, 10^{-4}, ..., 10^2, 10^3]$ . Решетчатый поиск по паре $(C, \gamma)$ критичен для достижения высокой точности.

Параметры полиномиального ядра $d, \gamma, c$ :
- Степень $d$ : Определяет максимальную сложность взаимодействия признаков. Обычно ограничивается значениями $d = 2$ или $3$ . Большие степени ( $d > 5$ ) почти гарантированно приводят к переобучению и численной нестабильности, поэтому на практике используются редко.
- Свободный член $c$ : Обычно фиксируется как $c=0$ (однородный полином) или $c=1$ (неоднородный, учитывающий взаимодействия всех степеней вплоть до $d$ ). Настройка $c$ как непрерывного гиперпараметра используется редко.
- Рекомендация: Если линейное и RBF ядра не дали результата, попробуйте комбинации $d \in \{2, 3\}$ , $c \in \{0, 1\}$ , а $\gamma$ ищите по сетке, аналогичной RBF.

Нормализация данных

Перед применением ядер, чувствительных к масштабу признаков (особенно RBF и полиномиального), строго необходима предварительная стандартизация признаков. Процедура заключается в вычитании среднего значения признака и делении на его стандартное отклонение. Без этого признаки с большим численным диапазоном будут доминировать в евклидовой метрике $\|\mathbf{x} - \mathbf{x}'\|^2$ , полностью подавляя вклад других, не менее информативных признаков. Для данных с неизвестной природой рекомендуется применять RobustScaler (использующий медиану и квартили), устойчивый к выбросам.

Вычислительная сложность

Основной недостаток точных ядерных методов — необходимость вычисления и хранения матрицы Грама $\mathbf{K}$ размера $n \times n$ , где $n$ — число объектов в обучающей выборке. Это требует $O(n^2)$ памяти и, как правило, $O(n^3)$ времени для обращения матрицы или решения задачи квадратичного программирования, что делает методы непрактичными для больших наборов данных ( $n > 10^5$ ). В таких случаях вместо точных методов прибегают к линейным аппроксимациям ядер, например:

Метод случайных признаков (Random Fourier Features): Строится конечномерная аппроксимация $\tilde{\varphi}(\mathbf{x})$ пространства RBF-ядра, после чего применяется быстрый линейный метод.
Аппроксимация Найстрома (Nyström method): Выбирается подмножество из $m \ll n$ примеров, и полная ядерная матрица аппроксимируется низкоранговой матрицей $\mathbf{K} \approx \tilde{\mathbf{K}}_{nm} \tilde{\mathbf{K}}_{mm}^{-1} \tilde{\mathbf{K}}_{mn}$ , что снижает сложность до $O(n m^2)$ .

Заключение

Ядра — это мощная и математически строгая концепция, позволяющая неявно строить нелинейные модели без необходимости работы с координатами в многомерных пространствах. Для практика они являются незаменимым инструментом, обеспечивающим высокое качество на малых и средних выборках сложной структуры. Ключом к успешному применению является системный подход: начиная с простого линейного baseline, обоснованно переходя к RBF-ядру, и всегда настраивая гиперпараметры $(C, \gamma)$ через кросс-валидацию. Понимание ядерного трюка не только обогащает арсенал инженера алгоритмами (SVM, ядерная регрессия), но и формирует полезный взгляд на модели машинного обучения через призму функций сходства, что находит отклик и в более современных подходах.

См. также

Литература

Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. — Глава о ядерных методах.
Schölkopf B., Smola A. J. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. — MIT Press, 2002. — Фундаментальный труд по теории ядер.
Bishop C. M. Pattern Recognition and Machine Learning. — Springer, 2006. — Глава 6: Kernel Methods.
Shawe-Taylor J., Cristianini N. Kernel Methods for Pattern Analysis. — Cambridge University Press, 2004. — Всеобъемлющее введение в ядерные методы анализа закономерностей.
Murphy K. P. Machine Learning: A Probabilistic Perspective. — MIT Press, 2012. — Глава 14: Kernels.
Hsu C.-W., Chang C.-C., Lin C.-J. A Practical Guide to Support Vector Classification. — National Taiwan University, 2003 (последнее обновление: 2016). — Практическое руководство по выбору ядер и настройке гиперпараметров.

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%AF%D0%B4%D1%80%D0%BE»

@@ Строка 1: / Строка 1: @@
 == Ядра в машинном обучении ==
-=== Определение ===
+'''Ядро''' (англ. ''kernel'') в контексте [[Машинное обучение|машинного обучения]] — это функция, позволяющая вычислять скалярное произведение образов двух объектов в некотором, возможно, бесконечномерном, [[Признаковое пространство|признаковом пространстве]] без явного отображения объектов в это пространство. Этот приём, известный как '''kernel trick''' (ядерный трюк), лежит в основе множества алгоритмов, позволяя им эффективно выявлять нелинейные закономерности в данных, оставаясь при этом вычислительно реализуемыми. Ядра являются фундаментальным инструментом в таких методах, как [[Метод опорных векторов]], [[Гребневая регрессия|ядерная гребневая регрессия]] и [[Анализ главных компонент|ядерный метод главных компонент]].
-'''Ядро''' (kernel) — это функция, которая измеряет сходство между двумя объектами. С точки зрения математики, ядро <tex>\kappa(x, x')</tex> для любой пары объектов <tex>x</tex> и <tex>x'</tex> неявно вычисляет их скалярное произведение в некотором «расширенном» пространстве признаков <tex>\mathcal{H}</tex>, но делает это, оставаясь в исходном пространстве.
+== Интуитивное введение ==
+Многие классические алгоритмы машинного обучения, такие как [[Логистическая регрессия]] или базовый [[Метод опорных векторов|SVM]], являются линейными. Они способны строить лишь линейные разделяющие поверхности или линейные зависимости, что часто недостаточно для реальных данных. Традиционный подход к решению этой проблемы заключается в ручном конструировании новых, нелинейных признаков (например, полиномиальных признаков <tex>x_1^2, x_1 x_2, x_2^2</tex>) и последующем применении линейного алгоритма. Однако такой подход быстро становится вычислительно нереализуемым из-за "проклятия размерности", особенно если требуется отображение в пространство очень высокой или бесконечной размерности. Ядерный трюк предлагает элегантный обходной путь, заменяя все операции с координатами в расширенном пространстве вычислением специальной функции от исходных векторов.
-Простая формальная запись выглядит так:
+== Формальное определение ==
-<tex>\kappa(x, x') = \langle \phi(x), \phi(x') \rangle_{\mathcal{H}}</tex>
+Функция двух переменных <tex>\kappa: \mathcal{X} \times \mathcal{X} \to \mathbb{R}</tex>, где <tex>\mathcal{X}</tex> — некоторое исходное пространство объектов, называется '''ядром''', если существует [[Гильбертово пространство|гильбертово пространство]] <tex>\mathcal{H}</tex> (называемое [[Воспроизводящее ядро гильбертова пространства|воспроизводящим ядром гильбертовым пространством]], RKHS) и отображение <tex>\varphi: \mathcal{X} \to \mathcal{H}</tex>, такие что для любых <tex>\mathbf{x}, \mathbf{x}' \in \mathcal{X}</tex> выполняется:
-Здесь <tex>\phi</tex> — это некоторое гипотетическое преобразование (например, возведение координат в квадрат или расчет расстояния до центров кластеров). '''Ключевая идея состоит в том, что само преобразование <tex>\phi</tex> мы никогда не вычисляем и можем даже не знать его явного вида'''. Вся магия работает благодаря функции <tex>\kappa</tex>, которую мы вычисляем напрямую.
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \langle \varphi(\mathbf{x}), \varphi(\mathbf{x}') \rangle_{\mathcal{H}}</tex>
-=== Ядерный трюк: что это и как работает ===
+Ключевой момент здесь в том, что алгоритм, выраженный исключительно через скалярные произведения векторов, может быть "кирнелизован" простой заменой всех вхождений <tex>\langle \mathbf{x}_i, \mathbf{x}_j \rangle</tex> на <tex>\kappa(\mathbf{x}_i, \mathbf{x}_j)</tex>. Это эквивалентно неявному применению алгоритма в пространстве <tex>\mathcal{H}</tex>, но все вычисления остаются в исходном пространстве <tex>\mathcal{X}</tex>, завися только от размера выборки, а не от размерности <tex>\mathcal{H}</tex>.
-'''Ядерный трюк''' (kernel trick) — это вычислительный прием, позволяющий незаметно перевести данные в сложное нелинейное пространство, где они становятся линейно разделимыми, без ресурсоемкой операции настоящего преобразования координат.
+=== Общий принцип кирнелизации алгоритма ===
+Кирнелизация — это процесс адаптации любого алгоритма, который можно выразить исключительно через скалярные произведения входных векторов, к работе в нелинейном признаковом пространстве. Процедура состоит из двух шагов:
+# '''Идентификация двойственной формы''': Необходимо вывести формулировку алгоритма, где все обучающие примеры <tex>\mathbf{x}_i</tex> входят только в операциях скалярного произведения <tex>\langle \mathbf{x}_i, \mathbf{x}_j \rangle</tex>. Часто это возможно благодаря переходу от прямой (параметрической) формы к двойственной (основанной на данных). Классический пример — двойственная задача [[Метод опорных векторов|SVM]], где матрица <tex>\mathbf{X}\mathbf{X}^T</tex> в целевой функции содержит именно попарные скалярные произведения.
+# '''Подстановка ядра''': Как только алгоритм представлен в терминах <tex>\langle \mathbf{x}_i, \mathbf{x}_j \rangle</tex>, производится замена <tex>\langle \mathbf{x}_i, \mathbf{x}_j \rangle \to \kappa(\mathbf{x}_i, \mathbf{x}_j)</tex> как в процессе обучения, так и при предсказании. Для нового объекта <tex>\mathbf{x}_{\text{new}}</tex> предсказание также будет зависеть от ядерных вычислений <tex>\kappa(\mathbf{x}_i, \mathbf{x}_{\text{new}})</tex> между ним и опорными (или всеми обучающими) векторами.
-'''Аналогия.''' Представьте, что вы оцениваете дружбу между людьми не по списку их характеристик в резюме, а по тому, насколько совпадают их любимые книги, фильмы и привычки. Ядро — это и есть инструмент такой оценки сходства, только математически строгий.
+Таким образом, алгоритм неявно работает в пространстве <tex>\mathcal{H}</tex>, но не требует ни вычисления отображения <tex>\varphi</tex>, ни знания размерности этого пространства. Это позволяет, например, использовать RBF-ядро, соответствующее бесконечномерному <tex>\varphi</tex>, без каких-либо дополнительных вычислительных затрат по сравнению с конечномерным случаем.
-'''Техническая суть.''' Многие алгоритмы машинного обучения (например, [[Метод опорных векторов|SVM]], [[Гребневая регрессия|гребневая регрессия]]) можно переписать так, что на каждом шагу они будут использовать только попарные скалярные произведения объектов: <tex>\langle x_i, x_j \rangle</tex>. Если мы заменим в этих алгоритмах <tex>\langle x_i, x_j \rangle</tex> на вызов ядра <tex>\kappa(x_i, x_j)</tex>, то без изменения кода алгоритм обучится в новом, более мощном пространстве <tex>\mathcal{H}</tex>.
+== Теорема Мерсера и положительная определенность ==
+Критерием того, что функция <tex>\kappa</tex> является допустимым ядром в некотором гильбертовом пространстве, служит '''теорема Мерсера''' (для компактных пространств). На практике используется более общее и конструктивное определение: функция <tex>\kappa</tex> является ядром тогда и только тогда, когда она '''симметрична''' (<tex>\kappa(\mathbf{x}, \mathbf{x}') = \kappa(\mathbf{x}', \mathbf{x})</tex>) и порождаемая ею '''[[Матрица Грама|матрица Грама]]''' <tex>\mathbf{K}</tex> является неотрицательно определенной (положительно полуопределенной) для любого конечного набора точек <tex>\{\mathbf{x}_1, \dots, \mathbf{n}\}</tex>. Матрица <tex>\mathbf{K}</tex> имеет элементы <tex>K_{ij} = \kappa(\mathbf{x}_i, \mathbf{x}_j)</tex>, и условие неотрицательной определенности означает, что для любого вектора <tex>\mathbf{c} \in \mathbb{R}^n</tex> выполняется <tex>\mathbf{c}^T \mathbf{K} \mathbf{c} \ge 0</tex>. Это условие гарантирует, что функция ядра неявно соответствует скалярному произведению в некотором, возможно, бесконечномерном, пространстве.
-'''Пример «на пальцах».''' Допустим, точки двух классов на плоскости расположены в виде «мишени»: круг внутри, кольцо снаружи. Никакой прямой линией мы их не разделим. Но если мы добавим новый признак <tex>z = x^2 + y^2</tex> (квадрат расстояния от центра), точки выстроятся вдоль оси <tex>z</tex>, и их станет легко разделить горизонтальной линией. Ядро RBF делает именно это, но автоматически и без явного расчета тысяч новых координат. Функция <tex>\kappa(x, x') = \exp(-\gamma \|x - x'\|^2)</tex> просто считает что-то вроде «экспоненты от минус расстояния», но математически доказано, что это соответствует скалярному произведению в пространстве бесконечного числа признаков.
+=== Интуитивное объяснение роли Теоремы Мерсера ===
+На интуитивном уровне теорема Мерсера и условие положительной определенности решают фундаментальную проблему: гарантируют, что наша "подмена" скалярного произведения ядром математически корректна. Ключевая идея в следующем:
+# '''Существование пространства''': Мы заменяем <tex>\langle \mathbf{x}_i, \mathbf{x}_j \rangle</tex> на <tex>\kappa(\mathbf{x}_i, \mathbf{x}_j)</tex>, подразумевая, что где-то "есть" признаки <tex>\varphi(\mathbf{x})</tex>, для которых ядро дает скалярное произведение. Теорема Мерсера гарантирует, что для любой симметричной и положительно определенной функции такое пространство и такое отображение действительно ''существуют'', даже если мы никогда не будем их строить. Без этой гарантии мы не могли бы полагаться на корректность операций, основанных на аксиомах скалярного произведения.
+# **Оптимизационная интерпретация**: Условие <tex>\mathbf{c}^T \mathbf{K} \mathbf{c} \ge 0</tex> означает, что функция потерь, записанная в терминах ядра, остается выпуклой. Например, двойственная задача SVM остается задачей выпуклого квадратичного программирования, что гарантирует существование единственного глобального оптимума и эффективную сходимость алгоритмов оптимизации. Если бы матрица <tex>\mathbf{K}</tex> не была положительно полуопределенной, задача оптимизации могла бы стать невыпуклой с множеством локальных минимумов.
+# **Геометрическая согласованность**: Условие положительной определенности гарантирует, что ядро порождает геометрию, согласованную с понятиями расстояния и угла в некотором евклидовом пространстве. Расстояние между образами, индуцированное ядром, <tex>\|\varphi(\mathbf{x}) - \varphi(\mathbf{x}')\|^2 = \kappa(\mathbf{x}, \mathbf{x}) + \kappa(\mathbf{x}', \mathbf{x}') - 2\kappa(\mathbf{x}, \mathbf{x}')</tex>, будет удовлетворять всем аксиомам метрики, что необходимо для осмысленных геометрических выводов.
-=== Какие бывают ядра и как их выбирать ===
+== Основные свойства ядер и конструирование ==
+Множество допустимых ядер замкнуто относительно ряда операций, что позволяет конструировать сложные ядра из простых "вручную", учитывая специфику данных. Если <tex>\kappa_1, \kappa_2</tex> — ядра на <tex>\mathcal{X}</tex>, <tex>a > 0</tex>, <tex>f: \mathcal{X} \to \mathbb{R}</tex>, <tex>\mathbf{A}</tex> — положительно определенная матрица, то следующие функции также являются ядрами:
+* <tex>\kappa(\mathbf{x}, \mathbf{x}') = \kappa_1(\mathbf{x}, \mathbf{x}') + \kappa_2(\mathbf{x}, \mathbf{x}')</tex> (сумма ядер)
+* <tex>\kappa(\mathbf{x}, \mathbf{x}') = a \cdot \kappa_1(\mathbf{x}, \mathbf{x}')</tex> (умножение на положительную константу)
+* <tex>\kappa(\mathbf{x}, \mathbf{x}') = \kappa_1(\mathbf{x}, \mathbf{x}') \cdot \kappa_2(\mathbf{x}, \mathbf{x}')</tex> (произведение ядер)
+* <tex>\kappa(\mathbf{x}, \mathbf{x}') = f(\mathbf{x}) \kappa_1(\mathbf{x}, \mathbf{x}') f(\mathbf{x}')</tex> (нормализация)
+* <tex>\kappa(\mathbf{x}, \mathbf{x}') = \mathbf{x}^T \mathbf{A} \mathbf{x}'</tex> (ядро с учетом линейного преобразования признаков)
-Выбор ядра — это выбор того, как модель будет понимать «похожесть» объектов. Это главная инженерная задача при использовании ядерных методов.
+== Примеры стандартных ядер ==
+Рассмотрим наиболее распространенные семейства ядер, используемые на практике для данных в виде векторов <tex>\mathbf{x}, \mathbf{x}' \in \mathbb{R}^d</tex>.
-==== Линейное ядро ====
+=== Линейное ядро ===
-<tex>\kappa(x, x') = \langle x, x' \rangle</tex>
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \langle \mathbf{x}, \mathbf{x}' \rangle = \mathbf{x}^T \mathbf{x}'</tex>
-Самый простой случай. Никакого трюка не происходит, мы работаем в исходном пространстве.
+Простейшее ядро, соответствующее тождественному отображению <tex>\varphi(\mathbf{x}) = \mathbf{x}</tex>. Приводит к обычному линейному алгоритму. Полезно как базовый случай и для задач с высокой размерностью, где линейная разделимость уже достигнута.
-'''Когда использовать:'''
-* Признаков очень много (например, десятки тысяч слов в [[TF-IDF]] для анализа текстов).
-* Данные и так почти линейно разделимы.
-* Нужна очень быстрая и хорошо интерпретируемая модель (можно посмотреть веса признаков).
-==== Полиномиальное ядро ====
+=== Полиномиальное ядро ===
-<tex>\kappa(x, x') = (\gamma \langle x, x' \rangle + r)^d</tex>
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = (\gamma \langle \mathbf{x}, \mathbf{x}' \rangle + c)^d</tex>
-Моделирует взаимодействия признаков вплоть до степени <tex>d</tex>. Если <tex>d=2</tex>, ядро неявно учитывает не только исходные признаки, но и все их попарные произведения.
+где <tex>d \in \mathbb{N}</tex> — степень полинома, <tex>\gamma > 0</tex> — коэффициент масштабирования, <tex>c \ge 0</tex> — свободный член. Это ядро соответствует пространству всех мономиальных признаков степени вплоть до <tex>d</tex>. Оно позволяет улавливать полиномиальные взаимодействия между исходными признаками.
-'''Когда использовать:'''
-* Есть понимание, что важны конкретные нелинейные комбинации (например, «цена * площадь» в задаче оценки недвижимости).
-* Данные нормированы, и нам не нужна супер-гибкая граница. Будьте осторожны: при больших <tex>d</tex> значения ядра могут становиться очень большими или очень маленькими.
-==== RBF (гауссовское ядро, Radial Basis Function) ====
+=== Радиально-базисное ядро (Гауссово, RBF) ===
-<tex>\kappa(x, x') = \exp\left(-\gamma \|x - x'\|^2\right)</tex>
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \exp\left( -\gamma \|\mathbf{x} - \mathbf{x}'\|^2 \right)</tex>
-'''Король нелинейных задач и самый популярный выбор.''' Измеряет близость как экспоненту от квадрата расстояния между объектами. Имеет бесконечную размерность, то есть может подстроиться под границу практически любой формы.
+где <tex>\gamma > 0</tex> — параметр ширины ядра. Это одно из самых популярных ядер. Оно соответствует бесконечномерному признаковому пространству и может моделировать чрезвычайно сложные, локальные зависимости. Параметр <tex>\gamma</tex> контролирует "радиус влияния" одного примера: большое значение приводит к переобучению (гибкая, изрезанная граница), маленькое — к недообучению (почти линейная граница).
-'''Когда использовать:'''
-* Вы не знаете, какая структура у данных, но предполагаете, что она сложная.
-* У вас не слишком много данных (до десятков тысяч объектов), и нормально работает кросс-валидация.
-* Это ядро по умолчанию для [[Метод опорных векторов|SVM]].
-===== Важнейшие параметры C и gamma =====
+=== Сигмоидное ядро ===
-Для практического применения RBF критически важны два гиперпараметра (обычно в [[SVM]]):
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \tanh(\gamma \langle \mathbf{x}, \mathbf{x}' \rangle + c)</tex>
-* '''C''' (штраф за ошибку): Баланс между шириной разделяющей полосы и количеством ошибок на обучении. Большое '''C''' заставляет модель правильно классифицировать все точки, что ведет к сложным, изрезанным границам и риску переобучения. Маленькое '''C''' позволяет больше ошибок, делает границу более гладкой и обобщающей.
+Данное ядро происходит из области [[Нейронная сеть|нейронных сетей]]. Однако оно является допустимым (положительно определенным) только для некоторых значений параметров <tex>\gamma, c</tex>, что ограничивает его прямое использование в строгой ядерной теории, хотя на практике оно иногда применяется.
-* '''gamma''' (<tex>\gamma</tex>): Определяет «радиус влияния» одной точки. Большое '''gamma''' означает, что точка влияет только на очень близких соседей — граница становится рваной, модель переобучается. Маленькое '''gamma''' размывает влияние, делает границу слишком простой (вплоть до почти линейной).
-'''Стандартный протокол настройки:''' перебор <tex>C</tex> и <tex>\gamma</tex> на логарифмической сетке (например, <tex>C \in \{10^{-3}, 10^{-2}, ..., 10^3\}</tex>, <tex>\gamma \in \{10^{-4}, 10^{-3}, ..., 10^1\}</tex>) с использованием [[Кросс-валидация|кросс-валидации]].
+=== Ядра для специфических структур данных ===
+Ядерный подход не ограничивается векторами из <tex>\mathbb{R}^d</tex>. Существуют ядра, определенные на строках (на основе [[Расстояние Левенштейна|расстояния редактирования]]), графах (ядро случайных блужданий, ''random walk kernel''), множествах, деревьях и других сложных объектах. Это позволяет применять весь арсенал ядерных методов к задачам [[Биоинформатика|биоинформатики]], [[Компьютерная лингвистика|обработки текстов]] и хемоинформатики.
-=== Основные алгоритмы, использующие ядра ===
+== Ядерный трюк в действии: пример ядерной гребневой регрессии ==
+Рассмотрим задачу [[Линейная регрессия|линейной регрессии]] с квадратичной функцией потерь и L2-регуляризацией ([[Гребневая регрессия|гребневая регрессия]]). Решение в терминах исходных признаков дается формулой <tex>\mathbf{w} = (\mathbf{X}^T\mathbf{X} + \lambda \mathbf{I})^{-1}\mathbf{X}^T\mathbf{y}</tex>. Используя матричное тождество, его можно переписать в "дуальную форму", зависящую только от скалярных произведений <tex>\mathbf{X}\mathbf{X}^T</tex>:
+<tex>\mathbf{y}_{\text{pred}}(\mathbf{x}_{\text{new}}) = \mathbf{y}^T (\mathbf{K} + \lambda \mathbf{I})^{-1} \mathbf{k}</tex>,
+где <tex>\mathbf{K}</tex> — матрица Грама на обучающей выборке, а вектор <tex>\mathbf{k}</tex> состоит из ядерных оценок <tex>\kappa(\mathbf{x}_i, \mathbf{x}_{\text{new}})</tex>. Замена всех скалярных произведений на функцию ядра дает нелинейную '''ядерную гребневую регрессию''', способную аппроксимировать сложные нелинейные функции.
-==== Метод опорных векторов (SVM) ====
+== Практические примеры применения ядер ==
-Самый известный потребитель ядер. Изначально [[SVM]] ищет линейную разделяющую полосу максимальной ширины. Применение ядерного трюка превращает его в мощный нелинейный классификатор. На этапе предсказания модель опирается только на ''опорные векторы'' — объекты обучающей выборки, ближайшие к границе. Формула предсказания:
+Ядерные методы демонстрируют высокую эффективность в ситуациях, где данные не являются линейно разделимыми, а размерность признакового пространства высока. Ниже приведены два характерных примера из реальной практики.
-<tex>f(x) = \text{sign}\left(\sum_{i} \alpha_i y_i \kappa(x_i, x) + b\right)</tex>
-Здесь <tex>\alpha_i</tex> — ненулевые коэффициенты только для опорных векторов, что делает предсказание эффективным.
-==== Ядерный PCA ====
+=== Классификация текстов: SVM с ядром RBF для анализа тональности ===
-Классический [[Метод главных компонент|PCA]] ищет направления максимальной дисперсии в исходных данных. [[Ядерный анализ главных компонент|Ядерный PCA]] делает то же самое, но в пространстве <tex>\mathcal{H}}</tex>. Это позволяет ему, например, выделить «главную компоненту» для данных в форме кольца или спирали — задача, с которой обычный PCA не справится. Технически это требует вычисления матрицы Грама (об этом ниже) и ее разложения.
+В задаче анализа тональности отзывов требуется определить, является ли текст положительным или отрицательным.
+# '''Векторизация''': Каждый документ преобразуется в вектор <tex>\mathbf{x} \in \mathbb{R}^d</tex> с помощью [[TF-IDF]]-взвешивания, где <tex>d</tex> — размер словаря (обычно десятки тысяч слов). В таком пространстве документы разных классов часто перекрываются и не разделяются линейно из-за синонимии, многозначности слов и сложных контекстных взаимосвязей.
+# '''Выбор ядра''': Линейное ядро (по сути, линейный классификатор) является хорошим baseline, но для улавливания нелинейных взаимодействий между термами применяется '''RBF-ядро'''. Оно позволяет неявно моделировать ситуации вида "наличие слова A вблизи слова B меняет смысл на противоположный", что недоступно чисто линейной модели.
+# '''Результат''': SVM с RBF-ядром на представлении TF-IDF долгое время была стандартом де-факто для задач классификации текстов до появления [[Word2Vec]] и [[Трансформер (архитектура)|трансформеров]], показывая точность, превосходящую наивный байесовский классификатор и линейные модели.
-==== Ядерная гребневая регрессия (Kernel Ridge Regression) ====
+=== Классификация изображений: ядерный SVM в эпоху до глубокого обучения ===
-Это альтернатива линейной регрессии, которую можно «изогнуть». Вместо прямой линии модель строит гладкую функцию, проходящую через точки. Решение в ядерной форме имеет элегантный вид:
+До повсеместного распространения [[Свёрточная нейронная сеть|свёрточных нейронных сетей]] одним из лучших подходов к классификации рукописных цифр ([[MNIST]]) и распознаванию объектов в небольших датасетах был следующий пайплайн:
-<tex>f(x) = Y^\top (K + \lambda I)^{-1} \mathbf{k}(x)</tex>
+# '''Извлечение признаков''': Из изображений извлекались высокоуровневые признаки, инвариантные к сдвигу и повороту, например, [[Гистограмма направленных градиентов|HOG]] (Histogram of Oriented Gradients) или признаки на основе банка фильтров Габора.
-где:
+# '''Классификация''': Полученные векторы признаков классифицировались с помощью '''SVM с RBF-ядром''' или '''полиномиальным ядром''' степени 2 или 3. Ядро неявно моделировало сложные взаимодействия между выходами различных фильтров, соответствующие определенным формам и текстурам.
-* <tex>K</tex> — '''матрица Грама''' (или ядерная матрица). Это таблица <tex>N \times N</tex>, в ячейке <tex>K_{ij}</tex> которой хранится значение ядра <tex>\kappa(x_i, x_j)</tex> для каждой пары обучающих объектов. По сути, это вся информация, которую модель знает о данных.
+# '''Преимущество''': Такой подход был вычислительно эффективнее и требовал меньше данных для обучения, чем полносвязные нейронные сети того времени, и служил стандартным, очень сильным бейзлайном в компьютерном зрении.
-* <tex>\mathbf{k}(x)</tex> — столбец сходства нового объекта <tex>x</tex> со всей обучающей выборкой.
-* <tex>\lambda</tex> — коэффициент регуляризации.
-=== Практические аспекты и проблема масштабируемости ===
+== Практические аспекты и выбор ядра ==
+Выбор ядра и его гиперпараметров — центральная задача при использовании ядерных методов. Решения здесь принимаются на основе анализа данных, размера выборки и требуемой сложности модели.
-Главная ахиллесова пята ядерных методов — цена работы с матрицей Грама.
+=== Стратегия выбора типа ядра ===
-* '''Память:''' Хранение матрицы требует <tex>O(N^2)</tex> ячеек. Для 100 000 объектов матрица из 10 миллиардов чисел уже не поместится в оперативную память стандартного компьютера.
+Рекомендуется следовать иерархическому подходу, начиная с простого и двигаясь к сложному, используя [[Перекрестная проверка|кросс-валидацию]] для объективного сравнения.
-* '''Время:''' Обращение матрицы (как в Kernel Ridge Regression или [[Гауссовский процесс|Гауссовских процессах]]) стоит <tex>O(N^3)</tex> операций. Утроение данных увеличивает время счета в 27 раз.
-Это делает классическую ядерную машину идеальным инструментом для ''малых и средних данных'' (примерно до 20–50 тысяч объектов), но создает сложности на больших данных.
+* '''1. Линейное ядро (Baseline)''': Всегда следует начинать с него. Термин ''baseline'' (базовая модель) означает простую, хорошо интерпретируемую и быстро обучаемую модель, которая служит точкой отсчета. Если линейное ядро дает приемлемое качество, его, как правило, и выбирают. Линейная модель:
+** ''Предпочтительна'', когда размерность признакового пространства <tex>d</tex> очень велика (например, <tex>d \approx 10^5</tex> в задачах анализа текстов с TF-IDF). В таких данных высокая размерность часто уже обеспечивает хорошую линейную разделимость, а введение нелинейности чревато переобучением.
+** ''Интерпретируема'': веса признаков <tex>\mathbf{w}</tex> могут быть проанализированы, что важно в биоинформатике или финансах.
+** ''Вычислительно эффективна'': обучение может быть выполнено за линейное время от <tex>d</tex>, минуя построение полной ядерной матрицы <tex>O(n^2)</tex>.
-==== Методы ускорения ====
+* '''2. Радиально-базисное ядро (RBF)''': Это следующий шаг, если линейное ядро показало неудовлетворительный результат. RBF-ядро является выбором "по умолчанию" для нелинейных задач по ряду причин:
-Инженеры придумали способы «обмануть» кубическую сложность:
+** ''Универсальность'': Теоретически, при правильном подборе <tex>\gamma</tex> и <tex>C</tex> способно аппроксимировать любую непрерывную границу решений.
-* '''Разложение Нюстрёма (Nyström method).''' Интуиция: вся матрица Грама имеет большой избыток информации. Мы берем случайные <tex>m \ll N</tex> строк и столбцов и по ним приближенно восстанавливаем остальную часть матрицы. Сложность падает до <tex>O(N m^2)</tex>.
+** ''Численная стабильность'': Значения ядра лежат в диапазоне <tex>(0, 1]</tex>, что обеспечивает хорошую обусловленность матрицы Грама, в отличие от полиномиального ядра высокой степени, значения которого могут расходиться.
-* '''Случайные признаки (Random Fourier Features).''' Вместо того чтобы работать с ядром, мы генерируем случайные <tex>D</tex>-мерные векторы <tex>z(x)</tex> так, что <tex>\kappa(x, x') \approx z(x)^\top z(x')</tex>. После этого применяем обычный быстрый линейный метод. Это превращает ядерный метод в линейный и снижает сложность до <tex>O(N D)</tex>.
+** ''Малое число гиперпараметров'': Всего два (<tex>C</tex> и <tex>\gamma</tex>), что упрощает настройку по сравнению с полиномиальным ядром.
-=== Важные математические детали (для углубленного понимания) ===
+* '''3. Полиномиальное ядро''': Используется реже RBF, но целесообразно в случаях, когда предметная область подразумевает полиномиальный характер взаимодействий (например, в некоторых задачах физики или при кодировании взаимодействий генов). Основная трудность — настройка сразу трех гиперпараметров: <tex>d, \gamma, c</tex>.
-* '''Матрица Грама (K) должна быть положительно полуопределенной.''' Это означает, что функция-кандидат в ядра должна давать такую матрицу сходств, у которой нет отрицательных собственных значений. Это гарантирует, что найдется неявное пространство <tex>\mathcal{H}</tex>, где эта матрица будет матрицей скалярных произведений.
+=== Детальная настройка гиперпараметров ===
-* '''RKHS (Воспроизводящее ядро гильбертова пространства).''' Это математическая конструкция, которая стоит за каждым ядром. Если ядро удовлетворяет условиям, то существует уникальное гильбертово пространство функций, где <tex>f(x) = \langle f, \kappa(\cdot, x) \rangle</tex>. Для практика это означает, что поиск сложной нелинейной функции в этом пространстве сводится к поиску комбинации участков ядра, привязанных к точкам данных.
+Гиперпараметры ядерных методов управляют компромиссом между переобучением и недообучением. Их подбор всегда осуществляется на отложенной валидационной выборке через решетчатый поиск (''Grid Search'') с кросс-валидацией.
-=== Современное состояние: ядра и нейронные сети ===
+* '''Параметр регуляризации <tex>C</tex> (для SVM)''': Общий для ядерных SVM. Это параметр, определяющий штраф за неправильную классификацию обучающих примеров. Контролирует баланс между шириной разделяющей полосы и количеством ошибок на обучении.
+** ''Малое <tex>C</tex> (<tex>10^{-3} \dots 10^{-1}</tex>)'': Увеличивает ширину полосы, разрешая множественные нарушения границы. Приводит к более гладкой, простой границе решений. Используется при сильном переобучении или зашумленных данных. Эквивалентно сильной регуляризации.
+** ''Большое <tex>C</tex> (<tex>10^2 \dots 10^4</tex>)'': Штрафует ошибки на обучающей выборке очень сильно, стремясь классифицировать все примеры верно. Полоса сужается, граница становится изрезанной и подстраивается под индивидуальные выбросы. Ведет к переобучению. Эквивалентно слабой регуляризации.
+** ''Рекомендуемый диапазон поиска'': Экспоненциальная сетка, например, <tex>[10^{-3}, 10^{-2}, ..., 10^3, 10^4]</tex>.
-Ядерные методы и [[Глубокое обучение|глубокие нейросети]] не конкуренты, а взаимодополняющие инструменты.
+* '''Параметр ширины ядра <tex>\gamma</tex> (для RBF, полиномиального и сигмоидного ядер)''': Определяет "радиус влияния" одного примера или масштаб скалярного произведения.
-* '''Гауссовские процессы''' — это байесовские ядерные методы, незаменимые в задачах оптимизации гиперпараметров (Bayesian Optimization) и всюду, где нужна оценка неопределенности прогноза.
+** ''Малое <tex>\gamma</tex> (<tex>10^{-4} \dots 10^{-2}</tex>)'': Модель "видит" примеры как далеко рассеянные; даже далекие точки считаются похожими (<tex>\kappa(\mathbf{x}, \mathbf{x}') \to 1</tex>). Граница решений получается очень гладкой, почти линейной, что ведет к сильному недообучению.
-* '''Neural Tangent Kernel (NTK).''' Современная теория показала, что бесконечно широкая нейронная сеть со случайной инициализацией в процессе градиентного спуска ведет себя в точности как ядерный метод с ядром NTK. Это дало строгий математический мост между двумя мирами и помогает теоретически объяснять успех глубокого обучения.
+** ''Большое <tex>\gamma</tex> (<tex>10 \dots 10^3</tex>)'': Влияние каждого примера становится чрезвычайно локальным; уже небольшие расстояния приводят к почти нулевому сходству (<tex>\kappa(\mathbf{x}, \mathbf{x}') \to 0</tex>). Граница решений формирует маленькие "островки" вокруг опорных векторов, идеально разделяя обучающие данные, но теряя способность к обобщению — классическое переобучение.
+** ''Эвристика для начального приближения'': Установите <tex>\gamma \approx 1 / d</tex>, где <tex>d</tex> — количество признаков, или используйте <tex>\gamma \approx 1 / \text{медиана}(\|\mathbf{x}_i - \mathbf{x}_j\|^2)</tex>, что масштабирует параметр, делая его инвариантным к дисперсии данных.
+** ''Рекомендуемый диапазон поиска'': Экспоненциальная сетка, например, <tex>[10^{-5}, 10^{-4}, ..., 10^2, 10^3]</tex>. Решетчатый поиск по паре <tex>(C, \gamma)</tex> критичен для достижения высокой точности.
-== См. также ==
+* '''Параметры полиномиального ядра <tex>d, \gamma, c</tex>''':
+** ''Степень <tex>d</tex>'': Определяет максимальную сложность взаимодействия признаков. Обычно ограничивается значениями <tex>d = 2</tex> или <tex>3</tex>. Большие степени (<tex>d > 5</tex>) почти гарантированно приводят к переобучению и численной нестабильности, поэтому на практике используются редко.
+** ''Свободный член <tex>c</tex>'': Обычно фиксируется как <tex>c=0</tex> (однородный полином) или <tex>c=1</tex> (неоднородный, учитывающий взаимодействия всех степеней вплоть до <tex>d</tex>). Настройка <tex>c</tex> как непрерывного гиперпараметра используется редко.
+** ''Рекомендация'': Если линейное и RBF ядра не дали результата, попробуйте комбинации <tex>d \in \{2, 3\}</tex>, <tex>c \in \{0, 1\}</tex>, а <tex>\gamma</tex> ищите по сетке, аналогичной RBF.
+=== Нормализация данных ===
+Перед применением ядер, чувствительных к масштабу признаков (особенно RBF и полиномиального), '''строго необходима''' предварительная стандартизация признаков. Процедура заключается в вычитании среднего значения признака и делении на его стандартное отклонение. Без этого признаки с большим численным диапазоном будут доминировать в евклидовой метрике <tex>\|\mathbf{x} - \mathbf{x}'\|^2</tex>, полностью подавляя вклад других, не менее информативных признаков. Для данных с неизвестной природой рекомендуется применять [[Масштабирование признаков|RobustScaler]] (использующий медиану и квартили), устойчивый к выбросам.
+=== Вычислительная сложность ===
+Основной недостаток точных ядерных методов — необходимость вычисления и хранения матрицы Грама <tex>\mathbf{K}</tex> размера <tex>n \times n</tex>, где <tex>n</tex> — число объектов в обучающей выборке. Это требует <tex>O(n^2)</tex> памяти и, как правило, <tex>O(n^3)</tex> времени для обращения матрицы или решения задачи квадратичного программирования, что делает методы непрактичными для больших наборов данных (<tex>n > 10^5</tex>). В таких случаях вместо точных методов прибегают к линейным аппроксимациям ядер, например:
+* '''Метод случайных признаков''' (''Random Fourier Features''): Строится конечномерная аппроксимация <tex>\tilde{\varphi}(\mathbf{x})</tex> пространства RBF-ядра, после чего применяется быстрый линейный метод.
+* '''Аппроксимация Найстрома''' (''Nyström method''): Выбирается подмножество из <tex>m \ll n</tex> примеров, и полная ядерная матрица аппроксимируется низкоранговой матрицей <tex>\mathbf{K} \approx \tilde{\mathbf{K}}_{nm} \tilde{\mathbf{K}}_{mm}^{-1} \tilde{\mathbf{K}}_{mn}</tex>, что снижает сложность до <tex>O(n m^2)</tex>.
+== Заключение ==
+Ядра — это мощная и математически строгая концепция, позволяющая неявно строить нелинейные модели без необходимости работы с координатами в многомерных пространствах. Для практика они являются незаменимым инструментом, обеспечивающим высокое качество на малых и средних выборках сложной структуры. Ключом к успешному применению является системный подход: начиная с простого линейного baseline, обоснованно переходя к RBF-ядру, и всегда настраивая гиперпараметры <tex>(C, \gamma)</tex> через кросс-валидацию. Понимание ядерного трюка не только обогащает арсенал инженера алгоритмами (SVM, ядерная регрессия), но и формирует полезный взгляд на модели машинного обучения через призму функций сходства, что находит отклик и в более современных подходах.
+== См. также ==
 * [[Метод опорных векторов]]
+* [[Воспроизводящее ядро гильбертова пространства]]
+* [[Проклятие размерности]]
+* [[Теорема Мерсера]]
 * [[Гауссовский процесс]]
-* [[Ядерный анализ главных компонент]]
-* [[Гребневая регрессия]]
-* [[Проблема проклятия размерности]]
 == Литература ==
+# Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. — Глава о ядерных методах.
-# Schölkopf, B., & Smola, A. J. (2002). ''Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond''. MIT Press. (Настольная книга по теории).
+# Schölkopf B., Smola A. J. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. — MIT Press, 2002. — Фундаментальный труд по теории ядер.
-# Bishop, C. M. (2006). ''Pattern Recognition and Machine Learning''. Springer. (Глава 6: Kernel Methods, отличное введение).
+# Bishop C. M. Pattern Recognition and Machine Learning. — Springer, 2006. — Глава 6: Kernel Methods.
-# Murphy, K. P. (2012). ''Machine Learning: A Probabilistic Perspective''. MIT Press. (Глава 14: Kernels, с упором на практику и связь с байесовскими методами).
+# Shawe-Taylor J., Cristianini N. Kernel Methods for Pattern Analysis. — Cambridge University Press, 2004. — Всеобъемлющее введение в ядерные методы анализа закономерностей.
-# Rahimi, A., & Recht, B. (2007). Random Features for Large-Scale Kernel Machines. ''Advances in Neural Information Processing Systems (NIPS)''. (Революционная статья об аппроксимации ядер).
+# Murphy K. P. Machine Learning: A Probabilistic Perspective. — MIT Press, 2012. — Глава 14: Kernels.
-# Jacot, A., Gabriel, F., & Hongler, C. (2018). Neural Tangent Kernel: Convergence and Generalization in Neural Networks. ''Advances in Neural Information Processing Systems (NeurIPS)''. (Теория, связывающая ядра и нейросети).
+# Hsu C.-W., Chang C.-C., Lin C.-J. A Practical Guide to Support Vector Classification. — National Taiwan University, 2003 (последнее обновление: 2016). — Практическое руководство по выбору ядер и настройке гиперпараметров.