核PCA

此示例显示了主成分分析（PCA）及其核化版本（KernelPCA）之间的区别。

一方面，我们表明KernelPCA能够找到数据的线性分离投影，而PCA则不能。

最后，我们表明，使用KernelPCA进行反投影是一个近似值，而使用PCA则是精确的。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

数据投影：PCA vs. KernelPCA

在本节中，我们将展示在使用主成分分析 (PCA) 投影数据时使用核的优势。我们创建了一个由两个嵌套圆组成的数据集。

from sklearn.datasets import make_circles
from sklearn.model_selection import train_test_split

X, y = make_circles(n_samples=1_000, factor=0.3, noise=0.05, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)

让我们快速浏览一下生成的数据集。

import matplotlib.pyplot as plt

_, (train_ax, test_ax) = plt.subplots(ncols=2, sharex=True, sharey=True, figsize=(8, 4))

train_ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train)
train_ax.set_ylabel("Feature #1")
train_ax.set_xlabel("Feature #0")
train_ax.set_title("Training data")

test_ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test)
test_ax.set_xlabel("Feature #0")
_ = test_ax.set_title("Testing data")

每个类的样本不能线性分离：没有直线可以将内部集的样本与外部集的样本分开。

现在，我们将使用带核和不带核的 PCA 来查看使用这种核的效果。这里使用的核是径向基函数 (RBF) 核。

from sklearn.decomposition import PCA, KernelPCA

pca = PCA(n_components=2)
kernel_pca = KernelPCA(
    n_components=None, kernel="rbf", gamma=10, fit_inverse_transform=True, alpha=0.1
)

X_test_pca = pca.fit(X_train).transform(X_test)
X_test_kernel_pca = kernel_pca.fit(X_train).transform(X_test)

fig, (orig_data_ax, pca_proj_ax, kernel_pca_proj_ax) = plt.subplots(
    ncols=3, figsize=(14, 4)
)

orig_data_ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test)
orig_data_ax.set_ylabel("Feature #1")
orig_data_ax.set_xlabel("Feature #0")
orig_data_ax.set_title("Testing data")

pca_proj_ax.scatter(X_test_pca[:, 0], X_test_pca[:, 1], c=y_test)
pca_proj_ax.set_ylabel("Principal component #1")
pca_proj_ax.set_xlabel("Principal component #0")
pca_proj_ax.set_title("Projection of testing data\n using PCA")

kernel_pca_proj_ax.scatter(X_test_kernel_pca[:, 0], X_test_kernel_pca[:, 1], c=y_test)
kernel_pca_proj_ax.set_ylabel("Principal component #1")
kernel_pca_proj_ax.set_xlabel("Principal component #0")
_ = kernel_pca_proj_ax.set_title("Projection of testing data\n using KernelPCA")

我们回顾一下，PCA 线性地转换数据。直观地说，这意味着坐标系将以其方差为准，在每个分量上居中、重新缩放，最后旋转。从这种变换获得的数据是各向同性的，现在可以投影到其 *主成分* 上。

因此，观察使用 PCA 进行的投影（即中间图），我们看到缩放没有变化；事实上，数据是两个以零为中心的同心圆，原始数据已经是各向同性的。但是，我们可以看到数据已被旋转。总之，我们看到如果定义线性分类器来区分两个类的样本，这种投影将无济于事。

使用内核允许进行非线性投影。在这里，通过使用 RBF 内核，我们期望投影将展开数据集，同时近似地保持原始空间中彼此接近的数据点对的相对距离。

我们在右图中观察到这种行为：给定类别的样本彼此比来自相反类别的样本更接近，从而解开两个样本集。现在，我们可以使用线性分类器来分离来自两个类的样本。

投影到原始特征空间

使用KernelPCA时需要注意的一个特点与重建（即原始特征空间中的反投影）有关。使用PCA，如果n_components与原始特征的数量相同，则重建将是精确的。在本例中就是这样。

我们可以调查当使用KernelPCA反投影时是否获得了原始数据集。

X_reconstructed_pca = pca.inverse_transform(pca.transform(X_test))
X_reconstructed_kernel_pca = kernel_pca.inverse_transform(kernel_pca.transform(X_test))

fig, (orig_data_ax, pca_back_proj_ax, kernel_pca_back_proj_ax) = plt.subplots(
    ncols=3, sharex=True, sharey=True, figsize=(13, 4)
)

orig_data_ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test)
orig_data_ax.set_ylabel("Feature #1")
orig_data_ax.set_xlabel("Feature #0")
orig_data_ax.set_title("Original test data")

pca_back_proj_ax.scatter(X_reconstructed_pca[:, 0], X_reconstructed_pca[:, 1], c=y_test)
pca_back_proj_ax.set_xlabel("Feature #0")
pca_back_proj_ax.set_title("Reconstruction via PCA")

kernel_pca_back_proj_ax.scatter(
    X_reconstructed_kernel_pca[:, 0], X_reconstructed_kernel_pca[:, 1], c=y_test
)
kernel_pca_back_proj_ax.set_xlabel("Feature #0")
_ = kernel_pca_back_proj_ax.set_title("Reconstruction via KernelPCA")

虽然我们看到使用PCA进行了完美的重建，但我们观察到KernelPCA的结果不同。

实际上，inverse_transform不能依赖于解析反投影，因此是一个近似值。相反，内部训练了一个KernelRidge来学习从核化 PCA 基到原始特征空间的映射。因此，这种方法会带来近似误差，在反投影到原始特征空间时会引入细微的差异。

为了改进使用inverse_transform的重建，可以在KernelPCA中调整alpha，这是一个控制在映射训练期间对训练数据的依赖程度的正则化项。

相关示例

使用核 PCA 进行图像去噪

使用核 PCA 进行图像去噪

特征缩放的重要性

特征缩放的重要性

增量 PCA

增量 PCA

人脸数据集分解

人脸数据集分解