Scikit-learn 的内核 PCA：如何在 KPCA 中实现各向异性高斯内核或任何其他自定义内核？

【问题标题】：Scikit-learn's Kernel PCA: How to implement an anisotropic Gaussian kernel or any other custom kernels in KPCA?Scikit-learn 的内核 PCA：如何在 KPCA 中实现各向异性高斯内核或任何其他自定义内核？
【发布时间】：2020-01-31 12:08:55
【问题描述】：

我目前正在使用Scikit-learn's KPCA 对我的数据集执行降维。它们具有各向同性的高斯核（RBF 核），它只有一个值 gamma。但是现在，我想实现一个各向异性的高斯核，它具有许多取决于维数的 gamma 值。

我知道 Kernel PCA 有一个 precomputed 内核选项，但我找不到任何用于降维的代码示例。

有人知道如何在 sklearn KPCA 中实现自定义内核吗？

【问题讨论】：

标签： python scikit-learn

【解决方案1】：

我发现了解决这个问题的解决方案。

首先，您必须定义自己的内核函数，返回样本之间的克矩阵。

def customkernel(X1,X2,etc):
    k = yourkernelfunction(X1,X2,etc)
    return k

如果我们希望将数据集 x em> ，其中大小 nxm em> 进入我们的Kernelpca模型并将其转换为 nx n_princomp em> ，我们需要的是

KPCA = kpca(n_princomp,kernel='precomputed')
gram_mat = customkernel(x,x)
transformed_x = KPCA.fit_transform(gram_mat)

下一个，如果我们希望将另一个数据集 x 转换为大小 n xm em> 进入 n x n_princomp em> 我们要做的是使用x为x1和x计算新的克矩阵为x2。

new_gram_mat = customkernel(X,x)
transformed_X = KPCA.transform(new_gram_mat)

【讨论】：