機能の選択にカーネルPCAを使用することは可能ですか？

PCAが使用されるのと同じ方法で、潜在的セマンティックインデックス（LSI）にカーネル主成分分析（kPCA）を使用することは可能ですか？

prcompPCA関数を使用してRでLSIを実行し、最初のコンポーネントから最も負荷の高い機能を抽出します。これにより、コンポーネントを最もよく表す機能が得られます。$k$

kpca（kernlibパッケージから）関数を使用しようとしましたが、主成分の機能の重みにアクセスする方法がわかりません。カーネルメソッドを使用する場合、これは全体的に可能ですか？

あなたの質問への答えは否定的だと思います。それは不可能です。

各主成分は元の特徴の線形結合であるため、標準PCAを特徴選択に使用できます。これにより、どの特徴が最も顕著な主成分に最も貢献しているかを確認できます。たとえば、こちらを参照してください。主成分分析（PCA）の使用機能の選択。

しかし、カーネルPCAでは、各主成分はターゲット空間の特徴の線形結合であり、たとえばガウスカーネル（よく使用される）の場合、ターゲット空間は無限次元です。したがって、「ローディング」の概念はkPCAには実際には意味がなく、実際、カーネルの主成分は直接計算され、主軸（標準のPCA prcomp$rotationではによってRで指定されている）の計算をバイパスして、次のように知られています。カーネルトリック。例はこちらをご覧ください：カーネルPCAと線形カーネルは標準のPCAと同等ですか？詳細については。

いいえ、それは不可能です。少なくとも簡単な方法はありません。

次の例（kernlabリファレンスマニュアルからの抜粋）は、カーネルPCAのさまざまなコンポーネントにアクセスする方法を示しています。

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

これはあなたの質問に答えますか？