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)

[源码]

内核主成分分析（KPCA）

通过使用内核减少非线性维数（请参阅成对度量，近似关系和内核）。

在用户指南中阅读更多内容。

参数	说明
n_components	int, default=None 组件数。如果为None，则将保留所有非零分量。
kernel	“linear” , “poly” , “rbf” ,“sigmoid” , “cosine” , “precomputed” 内核。默认值为“linear”。
gamma	float, default=1/n_features rbf，poly和Sigmoid内核的内核系数。被其他内核忽略。
degree	int, default=3 多核度。被其他内核忽略。
coef0	float, default=1 poly核和sigmoid核中的独立项。被其他内核忽略。
kernel_params	mapping of string to any, default=None 作为可调用对象传递的内核的参数（关键字参数）和值。被其他内核忽略。
alpha	int, default=1.0 岭回归的超参数，用于学习逆变换（当fit_inverse_transform = True时）。
fit_inverse_transform	bool, default=False 了解非预计算内核的逆变换。（即学会找到一个点的原像）
eigen_solver	string [‘auto’,’dense’,’arpack’], default=’auto’ 选择要使用的特征求解器。如果n_components远小于训练样本的数量，则arpack可能比密集特征求解器更有效。
tol	float, default=0 arpack的收敛容限。如果为0，则arpack将选择最佳值。
max_iter	int, default=None arpack的最大迭代次数。如果为None，则arpack将选择最佳值。
remove_zero_eig	boolean, default=False 如果为True，则将删除所有具有零特征值的分量，以使输出中的分量数可能小于n_components（有时由于数字不稳定性甚至为零）。当n_components为None时，将忽略此参数，并删除特征值为零的组件。
random_state	int, RandomState instance, default=None 在`eigen_solver`=='arpack'时使用。在多个函数调用之间传递int以获得可重复的结果。请参阅词汇表。版本0.18中的新功能。
copy_X	boolean, default=True 如果为True，则模型将复制输入X并将其存储在`X_fit_` 属性中。如果对X不再做任何更改，则该设置`copy_X=False`将通过存储引用来节省内存。版本0.18中的新功能。
n_jobs	int or None, optional (default=None) 要运行的并行作业数。 `None`除非`joblib.parallel_backend`上下文中，否则表示1 。 `-1`表示使用所有处理器。有关更多详细信息，请参见词汇表。版本0.18中的新功能。

属性	说明
lambdas_	array, (n_components,) 中心核矩阵的特征值以降序排列。如果`n_components`和`remove_zero_eig`均未设置，则将存储所有值。
alphas_	array, (n_samples, n_components) 中心核矩阵的特征向量。如果`n_components`和 `remove_zero_eig`均未设置，则将存储所有组件。
dual_coef_	array, (n_samples, n_features) 逆变换矩阵。仅当`fit_inverse_transform`为True 时可用。
X_transformed_fit_	array, (n_samples, n_components) 拟合数据在内核主成分上的投影。仅当`fit_inverse_transform`为True 时可用。
X_fit_	(n_samples, n_features) 用于拟合模型的数据。如果为`copy_X=False`，则`X_fit_`为参考。此属性用于进行转换的调用。

参考文献

内核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	说明
`fit`(X[, y])	根据X中的数据拟合模型。
`fit_transform`(X[, y])	根据X中的数据拟合模型并转换X。
`get_params`([deep])	获取此估计量的参数。
`inverse_transform`(X)	将X转换回原始空间。
`set_params`(**params)	设置此估算器的参数。
`transform`(X)	转换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)

[源码]

初始化self。请参阅help（type（self））获取准确的信息。

fit(X, y=None)

[源码]

根据X中的数据拟合模型。

参数	说明
X	array-like, shape (n_samples, n_features) 训练向量，其中样本数量为n_samples个，特征数量为n_features个。

返回值	说明
self	object 返回实例本身。

fit_transform(X, y=None, **params)

[源码]

根据X中的数据拟合模型并转换X。

参数	说明
X	array-like, shape (n_samples, n_features) 训练向量，其中样本数量为n_samples个，特征数量为n_features个。

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

get_params(deep=True)

[源码]

获取此估计量的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估算器和其所包含子对象的参数。

返回值	说明
params	mapping of string to any 参数名称映射到其值。

inverse_transform（X ）

[源码]

将X转换回原始空间。

参数	说明
X	array-like, shape (n_samples, n_components)

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

参考文献

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

set_params(**params)

[源码]

设置此估算器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有<component>__<parameter>形式的参数，以便可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估算器参数。

返回值	说明
self	object 估算器实例。

transform（X ）

[源码]

转换X。

参数	说明
X	array-like, shape (n_samples, n_features)

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

sklearn.decomposition.KernelPCA使用示例¶

核PCA ¶