我是机器学习的新手，我正在尝试使用k-means聚类进行无监督学习（即使我读到k-means对于分类数据也不能很好地工作）。我编码了我的分类变量并试图应用内核PCA ，因为我有一个分类特征（它是性别）。我注意到内核参数有几个值是＆＃39; linear＆＃39;＆＃39; poly＆＃39;，＆＃39; rbf＆＃39;，＆＃39; sigmoid＆＃39 ;，＆＃39;余弦＆＃39;和＆＃39;预先计算＆＃39; 。
我在互联网上搜索但我无法找到关于这些的正确解释。我无法确定PCA和SVM上的内核使用情况是否相同。是否有人可以解释它们是什么，何时应该使用和/或如何为我们的数据集选择正确的？由于我们无法使用超过3个维度的数据集进行可视化，我们将如何确定其形状以选择正确的参数？部分代码仅用于显示参数的使用位置：
# Applying Kernel PCA
from sklearn.decomposition import KernelPCA
kpca = KernelPCA(n_components = 2, kernel = 'linear')
X = kpca.fit_transform(X)
提前谢谢。
答案 0 :(得分：0)
这些预定义内核都不支持混合数据。它们是矢量内核。
线性犬舍应该给出与非核心PCA相同的结果，只是慢很多。
除了使用内核之外，与SVM的关系不大。当你可以在监督的分类任务中进行超参数优化时，像rbf这样的内核会更有意义。由于选择这样的参数很难，除了玩具问题外，很难充分利用KernelPCA。