python - 内核 pca 参数用法：内核和 fit_inverse_transform

Question

我正在尝试在混合数据集（分类和数字）上应用内核 PCA。我想优化我的模型，但即使我阅读了文档，我也没有理解 fit_inverse_transform 的主要用途以及带有 dual_coef_ 的参数 X_transform_fit_。有没有人可以解释他们的目的以及如何解释他们？

标签： pythonmachine-learningscikit-learnpcakernel-density

Answer 1

通常，scikit-learn（包括 kernelPCA）中任何转换器的目标都是改变特征的维度。因此，如果我们假设您的原始特征具有维度d，则转换器可以将它们转换为维度k，其中k <= d。拟合模型后，可以使用以下2种方法：

1. 转换 --- 给定原始特征，转换为新特征（d -> k）
2. inverse_transform --- 给定新特征，转换为原始特征（k -> d）

在 kernelPCA 的情况下，您需要通过参数专门启用第二个选项，fit_inverse_transform因为默认情况下它设置为False. 原因是 inverse_transform 方法需要执行一些额外的计算（存储在 中dual_coef_）。

如果仍有疑问，请在此处查看源代码。