从sklearn中的Kernel PCA中提取特征空间中的主轴

Question

有一个基因表达数据子集构成 6 个没有目标的特征列。在 sklearn 中使用 PCA，我可以通过使用 PCA 在特征空间中提取主轴来分离 6 个特征。考虑到 KernelPCA 中不存在 components_ 属性，是否可以使用 KernelPCA 绘制类似的图形？这是我的代码取自here，做了一些小改动。

很明显，使用 KernelPCA(kernel="linear") 应该会导致与 PCA 相同的结果。

from sklearn.decomposition import PCA,KernelPCA
from sklearn.preprocessing import StandardScaler
from bioinfokit.analys import get_data
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

df = get_data('gexp').data
df_st =  StandardScaler().fit_transform(df)
pca_out = PCA().fit(df_st)
loadings = pca_out.components_


fig, ax = plt.subplots(1,2)
zz=[]
for i in df.columns.values:
 zz.append(i)
ax[0].scatter(loadings[0],loadings[1])
for i, txt in enumerate(zz):
    ax[0].annotate(zz[i], (loadings[0][i], loadings[1][i]),fontsize=12)
plt.show()

########################## KernelPCA ###################

kpca=KernelPCA(kernel="linear")
kpca_o=kpca.fit(df_st)


#ax[1].scatter(kpca_o[0,:],kpca_o[1,:])

Answer 1

使用：kpca_o.alphas_array

来源：https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.KernelPCA.html

alphas_array, (n_samples, n_components)

Eigenvectors of the centered kernel matrix. If n_components and remove_zero_eig are not set, then all components are stored.