Python：Kernel based PCA手工代码实现

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python：Kernel based PCA手工代码实现，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1429字，纯文字阅读大概需要3分钟。

内容图文

'''
Auther: DeniuHe
Date:2021-03-16
'''
import numpy as np
from sklearn import datasets
from sklearn.metrics.pairwise import rbf_kernel
from sklearn.decomposition import KernelPCA
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

class Kernel_PCA():
    def __init__(self,X):
        self.X = X
        self.N = self.X.shape[0]
        self.K = rbf_kernel(X=self.X,gamma=15)
        self.In = np.ones((self.N,self.N)) * (1/self.N)
        self.K_hat = self.K - self.K @ self.In - self.In @ self.K + self.In @ self.K @ self.In
        self.L, self.U = np.linalg.eig(self.K_hat)


    # dimensionality reduction
    def DR(self,n_component):
        a = [i for i in range(n_component)]
        ord_ids = np.flipud(np.argsort(self.L))
        tar_ids = ord_ids[a]
        trans_X = self.K_hat @ self.U[:,tar_ids] / np.sqrt(self.L[tar_ids])
        return trans_X



if __name__ == '__main__':
    X, y = datasets.make_moons(noise=0.1,n_samples=300,random_state=100)
    # plt.scatter(X[:,0],X[:,1],c=y)
    # plt.show()
    # X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.1,random_state=100)
    kpca = Kernel_PCA(X=X)
    trans_X = kpca.DR(n_component=2)
    plt.scatter(trans_X[:,0],trans_X[:,1],c=y)
    plt.show()
    X, y = datasets.make_moons(noise=0.1, n_samples=300, random_state=100)
    diaobao = KernelPCA(kernel='rbf',n_components=2,gamma=15)
    X_diao = diaobao.fit_transform(X)
    plt.scatter(X_diao[:,0],X_diao[:,1],c=y)
    plt.show()

两个月亮

本文代码效果 （gamma=15）

sklearn调包效果（参数保持相同，即gamma=15） 

结果方向貌似反了，不过不要紧。 

内容总结

以上是互联网集市为您收集整理的Python：Kernel based PCA手工代码实现全部内容，希望文章能够帮你解决Python：Kernel based PCA手工代码实现所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端