Discussion :

[acx01b]

bonsoir, obnubilé que je suis en ce moment par les noyaux gaussiens, je mets un petit code qui montre comment dans kernel pca les données deviennent linéairement séparables

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
%% fabrication des donnees jouet 2D : un cercle et un segment
 
N = 128; % 128 points
tmp = exp(i*rand(N/2,1)*2*pi)*2;
Xcercle = [real(tmp),imag(tmp)]  + randn(N/2,2)*0.1;
Xtrait = rand(N/2,1)*[1,-0.5];
X = [Xcercle; Xtrait];
 
%% affichage en 2D
subplot(211);
plot(Xcercle(:,1),Xcercle(:,2),'+b');
hold on;
plot(Xtrait(:,1),Xtrait(:,2),'or');
hold off;
 
 
%% calcul de la matrice des produits scalaires (application de la fonction noyau)
matDist = repmat(sum(X.^2,2),1,N) +  repmat(sum(X.^2,2),1,N)' - X*X';
sigma2 = 400;
K = exp(-matDist / (2*sigma2));
 
 
%% diagonalisation de K pour récupérer les points dans l'espace de resdescription K = Y * Y'
 
[P,Lambda] = eig(K);
% c'est pas precis, certain lambda sont < 0 !
Y = P * max(Lambda,0).^0.5;
 
% projection dans PCA des points de Y
PCAMat = princomp(Y);
Ypca = Y * PCAMat;
 
%% affichage dans l'espace kernel PCA
subplot(212);
plot3(Ypca(1:N/2,1),Ypca(1:N/2,2),Ypca(1:N/2,3),'+b');
hold on;
plot3(Ypca(N/2+1:N,1),Ypca(N/2+1:N,2),Ypca(N/2+1:N,3),'or');
hold off;
 
%% affichage de la matrice de similarité
figure; imagesc(K);