Python机器学习手册：从数据预处理到深度学习

166

｜

第

9

章

利用特征提取进行特征降维

KernelPCA

中没有这个选项。

KernelPCA

必须指定参数的数量（例如，

n_components = 1

），

此外，每个核都有自己的超参数需要设置，例如，径向基函数需要设置伽马值（

gamma

）。

那么，如何设置这些值呢？可以通过反复试错来确定。也就是说，使用不同的核函数和

参数值反复训练机器学习模型，找出产生最优模型的参数组合。我们将在第

12

章深入

学习这种方法。

延伸阅读

y

scikit-learn

文档 ：

Kernel PCA

（

http://bit.ly/2HRkxC3

）

y

核技巧及使用

RBF

核函数的非线性降维（

http://bit.ly/2HReP3f

）

9.3

　通过最大化类间可分性进行特征降维

问题描述

对特征进行降维操作，然后将其应用于分类器。

解决方案

使用线性判别分析（

Linear Discriminant Analysis

，

LDA

）方法，将特征数据映射到一个

可以使类间可分性最大的成分坐标轴上。

#

加载库

from sklearn import datasets

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

#

加载

Iris flower

数据集

iris = datasets.load_iris()

features = iris.data

target = iris.target

#

创建并运行

LDA

，然后用它对特征做变换

lda = LinearDiscriminantAnalysis(n_components=1) ...