sklearn.decomposition.KernelPCA?

class sklearn.decomposition.KernelPCA(n_components=None, *, kernel='linear', gamma=None, degree=3, coef0=1, kernel_params=None, alpha=1.0, fit_inverse_transform=False, eigen_solver='auto', tol=0, max_iter=None, remove_zero_eig=False, random_state=None, copy_X=True, n_jobs=None)

[源碼]

內核主成分分析（KPCA）

通過使用內核減少非線性維數（請參閱成對度量，近似關系和內核）。

在用戶指南中閱讀更多內容。

參數	說明
n_components	int, default=None 組件數。如果為None，則將保留所有非零分量。
kernel	“linear” , “poly” , “rbf” ,“sigmoid” , “cosine” , “precomputed” 內核。默認值為“linear”。
gamma	float, default=1/n_features rbf，poly和Sigmoid內核的內核系數。被其他內核忽略。
degree	int, default=3 多核度。被其他內核忽略。
coef0	float, default=1 poly核和sigmoid核中的獨立項。被其他內核忽略。
kernel_params	mapping of string to any, default=None 作為可調用對象傳遞的內核的參數（關鍵字參數）和值。被其他內核忽略。
alpha	int, default=1.0 嶺回歸的超參數，用于學習逆變換（當fit_inverse_transform = True時）。
fit_inverse_transform	bool, default=False 了解非預計算內核的逆變換。（即學會找到一個點的原像）
eigen_solver	string [‘auto’,’dense’,’arpack’], default=’auto’ 選擇要使用的特征求解器。如果n_components遠小于訓練樣本的數量，則arpack可能比密集特征求解器更有效。
tol	float, default=0 arpack的收斂容限。如果為0，則arpack將選擇最佳值。
max_iter	int, default=None arpack的最大迭代次數。如果為None，則arpack將選擇最佳值。
remove_zero_eig	boolean, default=False 如果為True，則將刪除所有具有零特征值的分量，以使輸出中的分量數可能小于n_components（有時由于數字不穩定性甚至為零）。當n_components為None時，將忽略此參數，并刪除特征值為零的組件。
random_state	int, RandomState instance, default=None 在`eigen_solver`=='arpack'時使用。在多個函數調用之間傳遞int以獲得可重復的結果。請參閱詞匯表。版本0.18中的新功能。
copy_X	boolean, default=True 如果為True，則模型將復制輸入X并將其存儲在`X_fit_` 屬性中。如果對X不再做任何更改，則該設置`copy_X=False`將通過存儲引用來節省內存。版本0.18中的新功能。
n_jobs	int or None, optional (default=None) 要運行的并行作業數。 `None`除非`joblib.parallel_backend`上下文中，否則表示1 。 `-1`表示使用所有處理器。有關更多詳細信息，請參見詞匯表。版本0.18中的新功能。

屬性	說明
lambdas_	array, (n_components,) 中心核矩陣的特征值以降序排列。如果`n_components`和`remove_zero_eig`均未設置，則將存儲所有值。
alphas_	array, (n_samples, n_components) 中心核矩陣的特征向量。如果`n_components`和 `remove_zero_eig`均未設置，則將存儲所有組件。
dual_coef_	array, (n_samples, n_features) 逆變換矩陣。僅當`fit_inverse_transform`為True 時可用。
X_transformed_fit_	array, (n_samples, n_components) 擬合數據在內核主成分上的投影。僅當`fit_inverse_transform`為True 時可用。
X_fit_	(n_samples, n_features) 用于擬合模型的數據。如果為`copy_X=False`，則`X_fit_`為參考。此屬性用于進行轉換的調用。

參考文獻

內核PCA引入于：

Bernhard Schoelkopf, Alexander J. Smola, and Klaus-Robert Mueller. 1999. Kernel principal component analysis. In Advances in kernel methods, MIT Press, Cambridge, MA, USA 327-352.

例子

>>> from sklearn.datasets import load_digits
>>> from sklearn.decomposition import KernelPCA
>>> X, _ = load_digits(return_X_y=True)
>>> transformer = KernelPCA(n_components=7, kernel='linear')
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)

方法

方法	說明
`fit`(X[, y])	根據X中的數據擬合模型。
`fit_transform`(X[, y])	根據X中的數據擬合模型并轉換X。
`get_params`([deep])	獲取此估計量的參數。
`inverse_transform`(X)	將X轉換回原始空間。
`set_params`(**params)	設置此估算器的參數。
`transform`(X)	轉換X。

__init__(n_components=None, *, kernel='linear', gamma=None, degree=3, coef0=1, kernel_params=None, alpha=1.0, fit_inverse_transform=False, eigen_solver='auto', tol=0, max_iter=None, remove_zero_eig=False, random_state=None, copy_X=True, n_jobs=None)

[源碼]

初始化self。請參閱help（type（self））獲取準確的信息。

fit(X, y=None)

[源碼]

根據X中的數據擬合模型。

參數	說明
X	array-like, shape (n_samples, n_features) 訓練向量，其中樣本數量為n_samples個，特征數量為n_features個。

返回值	說明
self	object 返回實例本身。

fit_transform(X, y=None, **params)

[源碼]

根據X中的數據擬合模型并轉換X。

參數	說明
X	array-like, shape (n_samples, n_features) 訓練向量，其中樣本數量為n_samples個，特征數量為n_features個。

返回值	說明
X_new	array-like, shape (n_samples, n_components)

get_params(deep=True)

[源碼]

獲取此估計量的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器和其所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

inverse_transform（X ）

[源碼]

將X轉換回原始空間。

參數	說明
X	array-like, shape (n_samples, n_components)

返回值	說明
X_new	array-like, shape (n_samples, n_features)

參考文獻

“Learning to Find Pre-Images”, G BakIr et al, 2004.

set_params(**params)

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有<component>__<parameter>形式的參數，以便可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估算器參數。

返回值	說明
self	object 估算器實例。

transform（X ）

[源碼]

轉換X。

參數	說明
X	array-like, shape (n_samples, n_features)

返回值	說明
X_new	array-like, shape (n_samples, n_components)

sklearn.decomposition.KernelPCA使用示例?

核PCA ?