内核 pca 参数用法：内核和 fit_inverse_transform答案

【问题标题】：kernel pca parameters usage : kernel and fit_inverse_transform内核 pca 参数用法：内核和 fit_inverse_transform
【发布时间】：2018-11-04 17:31:45
【问题描述】：

我正在尝试在混合数据集（分类和数字）上应用 Kernel 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它们？

【问题讨论】：

标签： python machine-learning scikit-learn pca kernel-density

【解决方案1】：

一般来说，scikit-learn 中的任何转换器（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：

transform --- 给定原始特征，转换为新特征 (d -> k)
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 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_）。

如果仍有疑问，请查看源代码here。

【讨论】：

这个参数和属性可以用来跟踪原始特征对主成分的影响吗？例如一个特征对主成分的影响程度以及在哪个方向上