1、
通过核函数计算矩阵 ，其元素为 。其中 和 为原空间的样本， 是核函数。
2、
计算K的特征值，并从大到小进行排列。找出由特征值对应的特征向量 (表示第 个特征向量)，并对 进行归一化( )。
3、
原始样本在第 个非主成分下的坐标为: 这里的 是指第i个样本
原理：KPCA是线性的，其对于非线性数据往往显得无能为力(虽然这二者的主要目的是降维，而不是分类，但也可以用于分类)，其中很大一部分原因是，KPCA能够挖掘到数据集中蕴含的非线性信息。
一、KPCA较PCA存在的创新点: 1. 为了更好地处理非线性数据，引入非线性映射函数 ，将原空间中的数据映射到高维空间，注意，这个 是隐性的，我们不知道，也不需要知道它的具体形式是啥。 2.引入了一个定理:空间中的任一向量(哪怕是基向量)，都可以由该空间中的所有样本线性表示，这点对KPCA很重要，我想大概当时那个大牛想出KPCA的时候，这点就是它最大的灵感吧。话说这和”稀疏“的思想比较像。
