Python Scikit学习'；s内核PCA：如何在KPCA中实现各向异性高斯内核或任何其他自定义内核？

我目前正在使用对数据集执行降维。它们具有各向同性高斯核（RBF核），该核只有一个值gamma。但是现在，我想实现一个各向异性高斯核，它有许多伽马值，这些值取决于维数

我知道内核PCA有一个选项用于预计算内核，但我找不到任何用于降维的代码示例

---

有人知道如何在sklearn KPCA中实现自定义内核吗？

我找到了这个问题的解决方案

首先，您必须定义自己的内核函数，该函数返回样本之间的gram矩阵

def customkernel(X1,X2,etc):
    k = yourkernelfunction(X1,X2,etc)
    return k

如果我们想将大小为nxm的数据集x拟合到我们的KernelPCA模型中，并将其转换为nxn\u princomp，我们需要的是

KPCA = kpca(n_princomp,kernel='precomputed')
gram_mat = customkernel(x,x)
transformed_x = KPCA.fit_transform(gram_mat)

接下来，如果我们想将另一个大小为nxm的数据集X转换为nxn_-princomp，我们需要做的是计算一个新的gram矩阵，其中X为X1，X为X2

new_gram_mat = customkernel(X,x)
transformed_X = KPCA.transform(new_gram_mat)