python - 内核 pca 参数用法 : kernel and fit_inverse_transform

Question

我正在尝试在混合数据集(包括分类数据集和数字数据集)上应用内核 PCA。我想优化我的模型，但即使我阅读了文档，我也不理解 fit_inverse_transform 和参数 X_transform_fit_ 与 Dual_coef_ 的主要用途。有谁可以解释他们的目的以及如何解释他们吗？

Answer 1

一般来说，scikit-learn 中任何转换器(包括 kernelPCA)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. transform --- 给定原始特征，变换为新特征(d -> k)
2. inverse_transform --- 给定新特征，变换为原始特征 (k -> d)

对于 kernelPCA，您需要通过参数 fit_inverse_transform 专门启用第二个选项，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 dual_coef_ 中)。

查看源码here如果仍有疑问。