可以使用内核PCA进行功能选择吗？

是否可以以与使用PCA相同的方式将内核主成分分析（kPCA）用于潜在语义索引（LSI）？

我使用prcompPCA功能在R中执行LSI，并从第一个中提取负载最大的功能$k$组件。这样，我就可以最好地描述组件的功能。

我试图使用该kpca功能（从kernlib包装中获取），但看不到如何访问要素的权重。使用内核方法时，总体上可能吗？

我认为您的问题的答案是否定的：不可能。

标准PCA可用于特征选择，因为每个主成分都是原始特征的线性组合，因此可以看到哪些原始特征对最突出的主成分贡献最大，请参见此处：使用主成分分析（PCA）特征选择。

但是在内核PCA中，每个主要成分都是目标空间中特征的线性组合，例如，对于高斯内核（经常使用），目标空间是无限维的。因此，“负载”的概念对kPCA而言并没有真正的意义，实际上，内核主成分是直接计算的，完全绕开了主轴的计算（对于标准PCA在R中给出prcomp$rotation），这要归功于所谓的内核把戏。请参见此处的示例：具有线性内核的内核PCA是否等效于标准PCA？更多细节。

所以不，这是不可能的。至少没有简单的方法。

以下示例（摘自kernlab参考手册）显示了如何访问内核PCA的各个组件：

data(iris)
test <- sample(1:50,20)
kpc <- kpca(~.,data=iris[-test,-5],kernel="rbfdot",kpar=list(sigma=0.2),features=2)

pcv(kpc)        # returns the principal component vectors
eig(kpc)        # returns the eigenvalues
rotated(kpc)    # returns the data projected in the (kernel) pca space
kernelf(kpc)    # returns the kernel used when kpca was performed

这回答了你的问题了吗？