核主成分分析(KPCA)特征选择

Question

我尝试了主成分分析(PCA)进行特征选择，它从9个特征中给出了4个最优特征(绿色均值，绿色方差，标准差)。div.绿色的，红色的均值，红色的方差，标准差。div.红色，色调均值，色调方差，标准差。div.色调，即MGcorr、VarGcorr、stdGcorr、MRcorr、VarRcorr、stdRcorr、MHcorr、VarHcorr、stdHcorr )，用于将数据分类为两个集群。从文献上看，PCA不是一种很好的方法，而是更好地应用核主成分分析(KPCA)进行特征选择。我想将KPCA应用于特征选择，并尝试了以下方法：

d=4; % number of features to be selected, or d: reduced dimension
[Y2 eigVector para ]=kPCA(feature,d); % feature is 300X9 matrix with 300 as number of  
                                      % observation and 9 features
                                      % Y: dimensionanlity-reduced data

上述kPCA.m函数可从http://www.mathworks.com/matlabcentral/fileexchange/39715-kernel-pca-and-pre-image-reconstruction/content/kPCA_v1.0/code/kPCA.m下载

在上面的实现中，我想知道如何从9个特征中找到要选择的4个特征(即哪些顶级特征是最优的)。

或者，我也尝试了以下函数来实现KPCA：

options.KernelType = 'Gaussian';
options.t = 1;
options.ReducedDim = 4;
[eigvector, eigvalue] = KPCA(feature', options);

在上面的实现中，我在从9个特征集中确定4个顶级/optimal特征时也遇到了同样的问题。

以上KPCA.m函数可从http://www.cad.zju.edu.cn/home/dengcai/Data/code/KPCA.m下载

如果有人能帮助我实现内核PCA来解决我的问题，那就太好了。

谢谢

Answer 1

PCA本身并不能提供最佳特性。它提供的是一组不相关的新功能。当您选择“最佳”的4个特征时，您选择的是具有最大方差(最大特征值)的特征。因此，对于“正常”PCA，您只需选择对应于4个最大特征值的4个特征向量，然后通过矩阵乘法将原始的9个特征投影到这些特征向量上。

从您为内核PCA函数提供的链接中，返回值Y2似乎是转换到内核PCA空间的顶级d特性的原始数据，因此转换已经为您完成了。