Kenji Fukumizu;弗朗西斯·巴赫。;迈克尔·乔丹。 具有再生核希尔伯特空间的监督学习的降维。 （英语） Zbl 1222.62069号 J.马赫。学习。物件。 5, 73-99 (2004). 摘要：针对有监督学习问题，我们提出了一种新的降维方法。假设我们希望预测响应变量的回归或分类问题\从解释变量（X）中，我们将降维问题处理为为（X）找到一个低维的“有效子空间”，它保留了统计信息（X）和（Y）之间的关系。我们证明这个问题可以用条件独立。为了将此公式转化为优化问题，我们利用co建立条件独立性的一般非参数特征-再现核Hilbert空间上的方差算子。这种特性允许我们推导一个对比度函数来估计“有效子空间”。与监督学习中许多传统的降维方法不同，该方法既不需要假设X的边际分布，也不需要假设Y的条件分布的参数模型。我们通过实验比较了该方法与传统方法的性能。（勘误表在线发布；参见http://jmlr.csail.mit.edu/papers/volume5/fukumizu04a/fukumizzu04a-erratum.pdf.) 引用于58文件 MSC公司： 62H30型 分类和区分；聚类分析（统计方面） 62J99型 线性推断、回归 68T05型 人工智能中的学习和自适应系统 关键词：回归，回归;变量选择;特征选择;内核方法;有条件的独立性 PDF格式BibTeX公司 XML格式引用 \textit{K.Fukumizu}等人，J.Mach。学习。第5号决议，73-99（2004年；Zbl 1222.62069） 全文： 链接