class KPCA(object): # 核pca
def __init__(self,
n_components=None,
kernel="linear",
gamma=None,
degree=3,
coef0=1,
kernel_params=None,
alpha=1.0,
fit_inverse_transform=False,
eigen_solver='auto',
tol=0,
max_iter=None,
remove_zero_eig=False,
random_state=None,
copy_x=True,
n_jobs=None):
"""
:param n_components: # 想要降维的维度数
:param kernel: "linear/poly/rbf/sigmoid/cosine/preconputed" 默认为linear
:param gamma: float 默认为1/n_features rbf, poly, sigmoid核系数，其他核忽略掉
:param degree: int 默认为3 poly核的度， 其他核全部忽略
:param coef0: float 默认为1 poly与sigmoid核的独立项目，其他核忽略掉
:param kernel_params: 默认为None
:param alpha: int 默认为1.0 学习方向变换的脊回归超参数（fit_inverse_transform=True）
:param fit_inverse_transform: bool 默认为False， 反向计算
:param eigen_solver: [‘auto’|’dense’|’arpack’] 默认为自动，选择要使用的特征转换器。如果n_分量远小
于训练样本的数量，arpack可能比密集的本征溶胶更有效。
:param tol: float default =0 对Arpack的收敛公差。如果为0，最优值将由arpack选择。
:param max_iter:int default =None arpack的最大迭代次数。如果没有，最优值将由arpack选择。
:param remove_zero_eig: 布尔型， 默认为False ,True时，去掉0特征。 输出的分量维度小于 n_components，
设为None时，不管n_components设为多少，0特征都会被删除
:param random_state: 随机种子， 可选项 默认为None
:param copy_x: bool default=True 如果为真，则输入x由模型复制并存储在x_fit_属性中
:param n_jobs: int or None default =None 并行个数
"""
self.model = KernelPCA(n_components=n_components,
kernel=kernel,
gamma=gamma,
degree=degree,
coef0=coef0,
kernel_params=kernel_params,
alpha=alpha,
fit_inverse_transform=fit_inverse_transform,
eigen_solver=eigen_solver,
tol=tol,
max_iter=max_iter,
remove_zero_eig=remove_zero_eig,
random_state=random_state,
copy_X=copy_x,
n_jobs=n_jobs)
def fit(self, x, y):
self.model.fit(X=x, y=y)
def transform(self, x):
return self.model.transform(X=x)
def fit_transform(self, x, y):
return self.model.fit_transform(X=x, y=y)
def inverse_transform(self, x):
return self.model.inverse_transform(X=x)
def get_params(self):
return self.model.set_params()
def set_params(self, **params):
self.model.set_params(**params)
def get_attributes(self):
lambdas = self.model.lambdas_
alphas = self.model.alphas_
dual_coef = self.model.dual_coef_
x_transformed_fit = self.model.X_transformed_fit_
x_fit = self.model.X_fit_
return lambdas, alphas, dual_coef, x_transformed_fit, x_fit
