Поиск эффекта оригинальных функций для основных компонентов, используемых в качестве входных данных в Kernel PCA

Question

Я пытаюсь внедрить Kernel PCA в свой набор данных, который имеет как категориальные (закодированные одним горячим кодировщиком), так и числовые особенности и уменьшает количество измерений от 22 до 3 измерений.После этого я продолжу реализацию кластеризации.Я использую Spyder в качестве IDE.Чтобы понять структуру моих полученных кластеров из алгоритма, я хочу объяснить, какие особенности влияют на производные главные компоненты и как они влияют на них.Является ли это возможным?Если это так, как я могу интерпретировать это, есть ли какой-либо метод?

Answer 1

Поскольку вы применяете PCA в пространстве ядра, существует строго нелинейная связь с вашими исходными функциями и функциями сокращенных данных;Собственные векторы, которые вы вычисляете, находятся в пространстве ядра для начала.Это мешает простому подходу, но, возможно, вы можете провести какой-то анализ чувствительности.Применяйте небольшие возмущения к исходным элементам и измеряйте, как на них реагируют окончательные, уменьшенные элементы.Якобиан финальных черт по отношению к оригинальным чертам также может быть хорошим началом.