ich war auch davon fasziniert, also habe ich ein paar Tests gemacht. Unten ist mein Code.
Die Diagramme zeigen, dass die erste Komponente des kernelpca ein besserer Diskriminator des Datensatzes ist. Wenn jedoch die erklärten_Varianzraten auf der Grundlage von @EelkeSpaak erklärt werden, sehen wir nur eine um 50% erklärte Varianz, die keinen Sinn ergibt. daher neigt es dazu, der Erklärung von Krishna Kalyan zuzustimmen.
#get data
from sklearn.datasets import make_moons
import numpy as np
import matplotlib.pyplot as plt
x, y = make_moons(n_samples=100, random_state=123)
plt.scatter(x[y==0, 0], x[y==0, 1], color='red', marker='^', alpha=0.5)
plt.scatter(x[y==1, 0], x[y==1, 1], color='blue', marker='o', alpha=0.5)
plt.show()
##seeing effect of linear-pca-------
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
x_pca = pca.fit_transform(x)
x_tx = x_pca
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(7,3))
ax[0].scatter(x_tx[y==0, 0], x_tx[y==0, 1], color='red', marker='^', alpha=0.5)
ax[0].scatter(x_tx[y==1, 0], x_tx[y==1, 1], color='blue', marker='o', alpha=0.5)
ax[1].scatter(x_tx[y==0, 0], np.zeros((50,1))+0.02, color='red', marker='^', alpha=0.5)
ax[1].scatter(x_tx[y==1, 0], np.zeros((50,1))-0.02, color='blue', marker='o', alpha=0.5)
ax[0].set_xlabel('PC-1')
ax[0].set_ylabel('PC-2')
ax[0].set_ylim([-0.8,0.8])
ax[1].set_ylim([-0.8,0.8])
ax[1].set_yticks([])
ax[1].set_xlabel('PC-1')
plt.show()
##seeing effect of kernelized-pca------
from sklearn.decomposition import KernelPCA
kpca = KernelPCA(n_components=2, kernel='rbf', gamma=15)
x_kpca = kpca.fit_transform(x)
x_tx = x_kpca
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(7,3))
ax[0].scatter(x_tx[y==0, 0], x_tx[y==0, 1], color='red', marker='^', alpha=0.5)
ax[0].scatter(x_tx[y==1, 0], x_tx[y==1, 1], color='blue', marker='o', alpha=0.5)
ax[1].scatter(x_tx[y==0, 0], np.zeros((50,1))+0.02, color='red', marker='^', alpha=0.5)
ax[1].scatter(x_tx[y==1, 0], np.zeros((50,1))-0.02, color='blue', marker='o', alpha=0.5)
ax[0].set_xlabel('PC-1')
ax[0].set_ylabel('PC-2')
ax[0].set_ylim([-0.8,0.8])
ax[1].set_ylim([-0.8,0.8])
ax[1].set_yticks([])
ax[1].set_xlabel('PC-1')
plt.show()
##comparing the 2 pcas-------
#get the transformer
tx_pca = pca.fit(x)
tx_kpca = kpca.fit(x)
#transform the original data
x_pca = tx_pca.transform(x)
x_kpca = tx_kpca.transform(x)
#for the transformed data, get the explained variances
expl_var_pca = np.var(x_pca, axis=0)
expl_var_kpca = np.var(x_kpca, axis=0)
print('explained variance pca: ', expl_var_pca)
print('explained variance kpca: ', expl_var_kpca)
expl_var_ratio_pca = expl_var_pca/np.sum(expl_var_pca)
expl_var_ratio_kpca = expl_var_kpca/np.sum(expl_var_kpca)
print('explained variance ratio pca: ', expl_var_ratio_pca)
print('explained variance ratio kpca: ', expl_var_ratio_kpca)
Schöne Ergebnisse! Nur eine kurze Anmerkung: Dies funktioniert nur, wenn Sie n-1 Komponenten berücksichtigen. Dabei ist n die Anzahl der Features in Ihrem Dataset. – yellow01