X_transformed_fit_ attribute error: AttributeError: 'KernelPCA' object has no attribute 'X_transformed_fit_'
X_transformed_fit_ attribute error: AttributeError: 'KernelPCA' object has no attribute 'X_transformed_fit_'
我正在尝试获取我的数据集中的哪些特征会影响主成分，并试图观察我的数据如何适合我的 Kernel PCA 算法。
我尝试使用纪录片中存在的 X_transformed_fit_ 属性，但出现此错误：AttributeError: 'KernelPCA' object has no attribute 'X_transformed_fit_'
我的 KPCA 代码如下：
from sklearn.decomposition import KernelPCA
kpca = KernelPCA(n_components = 2, kernel = 'cosine', fit_inverse_transform = False)
X = kpca.fit_transform(X)
kpca.X_transformed_fit_
如果我无法获得如何解释我的 KPCA 的组成，那么我将如何理解这些主成分的构造？
我进行调查的原因是我将继续使用聚类算法实现（K-均值，凝聚 HC）进行此过程，并且我想了解最终将从算法中派生的不同聚类的特征（通过了解主要成分的结构）。
属性X_transformed_fit_仅在您将参数fit_inverse_transform设置为True时可用。
尝试：
kpca = KernelPCA(n_components = 2, kernel = 'cosine', fit_inverse_transform = True)
X = kpca.fit_transform(X)
kpca.X_transformed_fit_
我正在尝试获取我的数据集中的哪些特征会影响主成分，并试图观察我的数据如何适合我的 Kernel PCA 算法。 我尝试使用纪录片中存在的 X_transformed_fit_ 属性，但出现此错误：AttributeError: 'KernelPCA' object has no attribute 'X_transformed_fit_'
我的 KPCA 代码如下：
from sklearn.decomposition import KernelPCA
kpca = KernelPCA(n_components = 2, kernel = 'cosine', fit_inverse_transform = False)
X = kpca.fit_transform(X)
kpca.X_transformed_fit_
如果我无法获得如何解释我的 KPCA 的组成，那么我将如何理解这些主成分的构造？ 我进行调查的原因是我将继续使用聚类算法实现（K-均值，凝聚 HC）进行此过程，并且我想了解最终将从算法中派生的不同聚类的特征（通过了解主要成分的结构）。
属性X_transformed_fit_仅在您将参数fit_inverse_transform设置为True时可用。
尝试：
kpca = KernelPCA(n_components = 2, kernel = 'cosine', fit_inverse_transform = True)
X = kpca.fit_transform(X)
kpca.X_transformed_fit_