Python机器学习手册：从数据预处理到深度学习

164

｜

第

9

章

利用特征提取进行特征降维

y

《选择主成分的数量》（

http://bit.ly/2FrSGtH

）

y

《使用线性代数进行主成分分析》（

http://bit.ly/2FuzdIW

）

9.2

　对线性不可分数据进行特征降维

问题描述

对线性不可分数据进行特征降维。

解决方案

使用

Kernel PCA

（核主成分分析，

PCA

的一种扩展）进行非线性降维 ：

#

加载库

from sklearn.decomposition import PCA, KernelPCA

from sklearn.datasets import make_circles

#

创建线性不可分数据

features, _ = make_circles(n_samples=1000, random_state=1, noise=0.1,

factor=0.1)

#

应用基于径向基函数（

Radius Basis Function

，

RBF

）核的

Kernel PCA

方法

kpca = KernelPCA(kernel="rbf", gamma=15, n_components=1)

features_kpca = kpca.fit_transform(features)

print("Original number of features:", features.shape[1])

print("Reduced number of features:", features_kpca.shape[1]) ...