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://machinelearning.ru/wiki/index.php?title=%D0%AF%D0%B4%D1%80%D0%BE»

@@ Строка 1: / Строка 1: @@
-'''Ядро''' (англ. kernel) в контексте [[Машинное обучение|машинного обучения]] — это функция, позволяющая выполнять вычисления в неявном высокоразмерном пространстве признаков без явного отображения исходных данных в это пространство. Это фундаментальная концепция, лежащая в основе [[Метод опорных векторов|метода опорных векторов]] (SVM) и других [[Ядерные методы|ядерных методов]], позволяющая эффективно моделировать нелинейные зависимости с помощью линейных алгоритмов.
+== Ядра в машинном обучении ==
-== Неформальное введение и проблема линейной разделимости ==
+'''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]].
-Многие классические алгоритмы обучения (например, [[Логистическая регрессия|логистическая регрессия]] или [[Перцептрон|перцептрон]]) являются линейными. Они строят разделяющую гиперплоскость в пространстве признаков. Однако реальные данные редко бывают линейно разделимы в исходном пространстве <math>\mathcal{X}</math> (например, задача [[Исключающее ИЛИ|XOR]]).
-Стандартный подход к решению этой проблемы — обогащение данных: исходный вектор <math>\mathbf{x} \in \mathcal{X}</math> явно отображается в пространство более высокой размерности <math>\mathcal{H}</math> с помощью функции <math>\phi: \mathcal{X} \to \mathcal{H}</math>. Если размерность <math>\mathcal{H}</math> достаточно велика, данные с высокой вероятностью станут линейно разделимыми. Проблема этого подхода (проклятие размерности и вычислительная сложность) снимается с помощью «трюка с ядром» (kernel trick).
+== 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.
-== Определение ==
+== Формальное определение ==
-Пусть <math>\mathcal{X}</math> — непустое множество исходных объектов. Функция <math>K: \mathcal{X} \times \mathcal{X} \to \mathbb{R}</math> называется '''ядром''', если существует [[Гильбертово пространство|гильбертово пространство]] <math>\mathcal{H}</math> (называемое пространством признаков) и отображение <math>\phi: \mathcal{X} \to \mathcal{H}</math>, такие что для любых <math>\mathbf{x}, \mathbf{x}' \in \mathcal{X}</math>:
+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:
-<center><math>K(\mathbf{x}, \mathbf{x}') = \langle \phi(\mathbf{x}), \phi(\mathbf{x}') \rangle_{\mathcal{H}}</math></center>
-где <math>\langle \cdot, \cdot \rangle_{\mathcal{H}}</math> — скалярное произведение в пространстве <math>\mathcal{H}</math>.
-== Трюк с ядром (Kernel Trick) ==
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \langle \varphi(\mathbf{x}), \varphi(\mathbf{x}') \rangle_{\mathcal{H}}</tex>
-Ключевая идея использования ядер заключается в том, что во многих алгоритмах машинного обучения векторы признаков входят только в виде операций скалярного произведения <math>\langle \mathbf{x}_i, \mathbf{x}_j \rangle</math>.
-*   '''Линейная модель:''' <math>f(\mathbf{x}) = \mathbf{w}^T\mathbf{x} + b</math>. После оптимизации веса представляются как <math>\mathbf{w} = \sum_i \alpha_i \mathbf{x}_i</math>, и решающее правило примет вид <math>f(\mathbf{x}) = \sum_i \alpha_i \langle \mathbf{x}_i, \mathbf{x} \rangle + b</math>.
-*   '''Нелинейное обобщение:''' Заменим исходные векторы на их образы: <math>f(\mathbf{x}) = \sum_i \alpha_i \langle \phi(\mathbf{x}_i), \phi(\mathbf{x}) \rangle + b</math>.
-Трюк с ядром позволяет вычислить это выражение напрямую как <math>f(\mathbf{x}) = \sum_i \alpha_i K(\mathbf{x}_i, \mathbf{x}) + b</math>, '''никогда не вычисляя''' координаты векторов <math>\phi(\mathbf{x})</math> в явном виде. Это дает возможность работать с пространствами признаков бесконечной размерности (например, используя [[Гауссовское ядро|RBF-ядро]]).
-== Функция Мерсера и свойства ==
+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>.
-Не любая функция двух переменных является ядром. Для того чтобы функция <math>K</math> была корректным ядром в рамках [[Теория статистического обучения|теории статистического обучения]], она должна удовлетворять условиям '''теоремы Мерсера''' (для пространств со скалярным произведением), что эквивалентно положительной полуопределенности.
-Для любого конечного набора точек <math>\{\mathbf{x}_1, \dots, \mathbf{x}_n\} \subset \mathcal{X}</math> '''матрица Грама''' <math>\mathbf{K}</math>, определенная как <math>K_{ij} = K(\mathbf{x}_i, \mathbf{x}_j)</math>, должна быть симметричной и неотрицательно определенной.
-Из этого свойства вытекают правила построения новых ядер из существующих (исчисление ядер):
+=== Общий принцип кирнелизации алгоритма ===
-*   Сумма ядер: <math>K = K_1 + K_2</math> — ядро.
+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:
-*   Произведение ядер: <math>K = K_1 \cdot K_2</math> — ядро.
+# '''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.
-*   Умножение на константу: <math>K = c \cdot K_1, c > 0</math> — ядро.
+# '''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.
-== Основные семейства ядер ==
+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.
-=== Стационарные ядра ===
+== Теорема Мерсера и положительная определенность ==
-Ядра этой группы зависят только от разности аргументов: <math>K(\mathbf{x}, \mathbf{x}') = K(\mathbf{x} - \mathbf{x}')</math>. Часто рассматриваются как функции от расстояния (ядра радиального базиса).
+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.
-*   '''Гауссовское ядро (RBF):''' <math>K(\mathbf{x}, \mathbf{x}') = \exp\left(-\frac{\|\mathbf{x} - \mathbf{x}'\|^2}{2\sigma^2}\right)</math>. Самое популярное ядро, соответствующее бесконечномерному пространству признаков. Параметр <math>\sigma</math> (ширина окна) управляет гладкостью границы решений.
+=== Интуитивное объяснение роли Теоремы Мерсера ===
-*   '''Ядро Лапласа:''' <math>K(\mathbf{x}, \mathbf{x}') = \exp\left(-\frac{\|\mathbf{x} - \mathbf{x}'\|}{\sigma}\right)</math>. Менее чувствительно к выбросам по сравнению с гауссовским.
+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:
-*   '''Рациональное квадратичное ядро:''' <math>K(\mathbf{x}, \mathbf{x}') = 1 - \frac{\|\mathbf{x} - \mathbf{x}'\|^2}{\|\mathbf{x} - \mathbf{x}'\|^2 + c}</math>. Представляет собой смесь RBF-ядер с разными масштабами.
+# '''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.
-=== Нестационарные ядра ===
+== Основные свойства ядер и конструирование ==
-*   '''Полиномиальное ядро:''' <math>K(\mathbf{x}, \mathbf{x}') = (\langle \mathbf{x}, \mathbf{x}' \rangle + c)^d</math>. Позволяет строить полиномиальные разделяющие поверхности степени <math>d</math>. Параметр <math>c \ge 0</math> регулирует вес старших и младших степеней.
+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:
-*   '''Сигмоидное ядро:''' <math>K(\mathbf{x}, \mathbf{x}') = \tanh(\kappa \langle \mathbf{x}, \mathbf{x}' \rangle + \theta)</math>. Исторически связано с нейронными сетями, однако матрица Грама для него положительно определена лишь при определенных значениях параметров.
+* <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)
+== 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 ===
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \langle \mathbf{x}, \mathbf{x}' \rangle = \mathbf{x}^T \mathbf{x}'</tex>
+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.
+=== Полиномиальное ядро ===
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = (\gamma \langle \mathbf{x}, \mathbf{x}' \rangle + c)^d</tex>
+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.
+=== Радиально-базисное ядро (Гауссово, RBF) ===
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \exp\left( -\gamma \|\mathbf{x} - \mathbf{x}'\|^2 \right)</tex>
+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).
+=== Сигмоидное ядро ===
+<tex>\kappa(\mathbf{x}, \mathbf{x}') = \tanh(\gamma \langle \mathbf{x}, \mathbf{x}' \rangle + c)</tex>
+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.
 === Ядра для специфических структур данных ===
-Метод ядер не ограничивается векторными пространствами, что является его огромным преимуществом. Ядро можно определить на любом типе объектов, если удалось задать подходящую меру сходства.
+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.
-*   '''Строковые ядра (String Kernels):''' Измеряют сходство строк через количество общих подстрок (спектральное ядро, ядро с пропусками). Используются в [[Биоинформатика|биоинформатике]] и [[Обработка естественного языка|NLP]].
-*   '''Ядра на графах:''' Например, Random Walk Kernel подсчитывает количество общих маршрутов в двух графах. Применяются в [[Хемоинформатика|хемоинформатике]] для предсказания свойств молекул.
-*   '''Ядра Фишера:''' Строятся на основе вероятностных порождающих моделей, позволяя применять SVM к данным, хорошо описываемым скрытыми марковскими моделями.
-== Применение в классических алгоритмах ==
+== Ядерный трюк в действии: пример ядерной гребневой регрессии ==
-Хотя термин «kernel trick» ассоциируется в первую очередь с [[Метод опорных векторов|SVM]], он применим к любому алгоритму, который можно выразить через скалярные произведения. Это утверждение носит название '''теоремы о представимости''' (Representer Theorem).
+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>:
-*   '''SVM с мягким зазором (C-SVM):''' Классический пример, где замена скалярного произведения на ядро <math>K</math> превращает линейный классификатор в нелинейный.
+<tex>\mathbf{y}_{\text{pred}}(\mathbf{x}_{\text{new}}) = \mathbf{y}^T (\mathbf{K} + \lambda \mathbf{I})^{-1} \mathbf{k}</tex>,
-*   '''Гребневая регрессия (Kernel Ridge Regression):''' Нелинейный вариант [[Гребневая регрессия|регуляризованной линейной регрессии]], полезный для восстановления регрессионных зависимостей малой размерности выборки.
+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 главных компонент (Kernel PCA):''' Выполняет анализ главных компонент в пространстве <math>\mathcal{H}</math>, что позволяет выявлять нелинейные структуры в данных ([[Многообразие|многообразия]]).
-*   '''Kernel K-Means:''' Кластеризация данных, разделимых нелинейными границами, путем переноса центроидов в пространство признаков.
-== Связь с гауссовскими процессами ==
+== Практические примеры применения ядер ==
-В [[Гауссовские процессы|гауссовских процессах]] (GP) ядро играет роль ковариационной функции и определяет априорные предположения о свойствах моделируемой функции (гладкость, периодичность, стационарность). В этом контексте выбор ядра — это способ кодирования знаний о предметной области в модель. Часто используемые в GP ядра (Матерна, экспоненциальное, периодическое) имеют прямые аналоги в ядерных методах, таких как SVM, но интерпретируются с вероятностной точки зрения.
+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 <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.
+=== Классификация изображений: ядерный SVM в эпоху до глубокого обучения ===
+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:
+# '''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.
+# '''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 критически важен:
+Выбор ядра и его гиперпараметров — центральная задача при использовании ядерных методов. Решения здесь принимаются на основе анализа данных, размера выборки и требуемой сложности модели.
-*   '''Переобучение:''' Слишком маленькая <math>\sigma</math> в RBF-ядре ведет к обобщению по принципу «один ближайший сосед» (переобучение), а слишком большая — к вырождению в линейную границу.
-*   '''Масштабируемость:''' Вычисление матрицы Грама размера <math>n \times n</math> требует <math>O(n^2)</math> памяти и <math>O(n^3)</math> времени для обращения (или <math>O(n^2)</math> для SVM). Это делает наивные ядерные методы неприменимыми к «большим данным». Проблема решается с помощью аппроксимаций:
+=== Стратегия выбора типа ядра ===
-**   '''Случайные признаки (Random Fourier Features):''' Аппроксимация стационарных ядер через прямое преобразование Фурье.
+Рекомендуется следовать иерархическому подходу, начиная с простого и двигаясь к сложному, используя [[Перекрестная проверка|кросс-валидацию]] для объективного сравнения.
-**   '''Метод Найстрома (Nyström Method):''' Низкоранговая аппроксимация матрицы Грама на основе подвыборки столбцов.
+* '''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>.
+* '''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 <tex>\gamma</tex> и <tex>C</tex> способно аппроксимировать любую непрерывную границу решений.
+** ''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.
+** ''Малое число гиперпараметров'': Всего два (<tex>C</tex> и <tex>\gamma</tex>), 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: <tex>d, \gamma, c</tex>.
+=== 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 <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>.
+* '''Параметр ширины ядра <tex>\gamma</tex> (для RBF, полиномиального и сигмоидного ядер)''': Определяет "радиус влияния" одного примера или масштаб скалярного произведения.
+** ''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.
+** ''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.
+* '''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]] (SVM)
+* [[Метод опорных векторов]]
-*   [[Гауссовские процессы]]
+* [[Воспроизводящее ядро гильбертова пространства]]
-*   [[Проблема "проклятия размерности"]]
+* [[Проклятие размерности]]
-*   [[Воспроизводящее ядро гильбертова пространства]] (RKHS)
+* [[Теорема Мерсера]]
+* [[Гауссовский процесс]]
 == Литература ==
-# Schölkopf, B., & Smola, A. J. (2002). ''Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond''. MIT Press.
+# Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. — Глава о ядерных методах.
-# Bishop, C. M. (2006). ''Pattern Recognition and Machine Learning''. Chapter 6: Kernel Methods. Springer.
+# Schölkopf B., Smola A. J. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. — MIT Press, 2002. — Фундаментальный труд по теории ядер.
-# Murphy, K. P. (2012). ''Machine Learning: A Probabilistic Perspective''. Chapter 14: Kernels. MIT Press.
+# Bishop C. M. Pattern Recognition and Machine Learning. — Springer, 2006. — Глава 6: Kernel Methods.
-# Rasmussen, C. E., & Williams, C. K. I. (2006). ''Gaussian Processes for Machine Learning''. Chapter 4: Covariance Functions. MIT Press.
+# Shawe-Taylor J., Cristianini N. Kernel Methods for Pattern Analysis. — Cambridge University Press, 2004. — Всеобъемлющее введение в ядерные методы анализа закономерностей.
-# Mercer, J. (1909). "Functions of positive and negative type, and their connection with the theory of integral equations". ''Philosophical Transactions of the Royal Society A'', 209, pp. 415–446.
+# 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.