使用內核PCA（KPCA）的功能選擇

Question

我嘗試了主特徵分析（PCA）功能選擇，該功能從9個特徵（綠色的平均值，綠色的差異，綠色的標準特徵，紅色的平均值，紅色的方差，紅色的平均值，色調的平均值，色調的方差，色調的標準值，即[MGcorr，VarGcorr，stdGcorr，MRcorr，VarRcorr，stdRcorr，MHcorr，VarHcorr，stdHcorr] ）將數據分類爲兩個羣集。從文獻看來，PCA似乎不是很好的方法，而是應用內核PCA（KPCA）來進行特徵選擇。我想申請KPCA的特徵選擇和我曾嘗試以下操作：

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 

以上kPCA.m功能，可以從以下網址下載： http://www.mathworks.com/matlabcentral/fileexchange/39715-kernel-pca-and-pre-image-reconstruction/content/kPCA_v1.0/code/kPCA.m

在上面實現，我想知道如何找到其中4個特點從9個特徵選擇（即哪些頂級特徵是最優的）用於聚類。

可替換地，我也嘗試下面的函數爲KPCA實現：

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

在上述實施方式還我在從組9個特徵確定所述4頂部/最佳特徵同樣的問題。 http://www.cad.zju.edu.cn/home/dengcai/Data/code/KPCA.m

這將是巨大的，如果有人可以幫助我在執行核PCA我的問題：

以上KPCA.m功能可以從以下網址下載。

謝謝

Answer 1

PCA本身不提供最佳功能。它提供的是一組不相關的新功能。當你選擇「最佳」4個特徵時，你選擇了具有最大變異（最大特徵值）的特徵。因此，對於「正常」PCA，只需選擇與4個最大特徵值對應的4個特徵向量，然後通過矩陣乘法將原始9個特徵投影到這些特徵向量上。

從您爲內核PCA函數提供的鏈接看，返回值Y2看起來是原始數據，轉換爲內核PCA空間的頂部d功能，因此已經爲您完成了轉換。