python报错'KernelPCA' object has no attribute 'lambdas_'

这个报错可能是因为您在使用 `KernelPCA` 类时，调用了 `lambdas_` 属性，但是该属性在 `KernelPCA` 类中并不存在。`lambdas_` 属性是在另外一个类 `PCA` 中定义的。

`KernelPCA` 类是用于实现核主成分分析（KPCA）的类，它和传统的主成分分析（PCA）有些不同，因此属性也不完全相同。如果您想要获取 KPCA 中的特征值，可以使用 `eigenvalues_` 属性来获取。下面是一个示例代码：

from sklearn.decomposition import KernelPCA
from sklearn.datasets import make_circles
import matplotlib.pyplot as plt

X, y = make_circles(n_samples=1000, noise=0.1, random_state=123, factor=0.5)

kpca = KernelPCA(n_components=2, kernel='rbf', gamma=10)
X_kpca = kpca.fit_transform(X)

print(kpca.eigenvalues_)

plt.scatter(X_kpca[:, 0], X_kpca[:, 1], c=y)
plt.show()

在上面的示例代码中，我们使用 `make_circles` 生成了一个圆形数据集，然后使用 KPCA 将数据降到了二维，并可视化了降维后的结果。同时，我们使用 `kpca.eigenvalues_` 属性获取了 KPCA 中的特征值，并打印了出来。

如果您想要使用传统的 PCA，也可以使用 `PCA` 类来实现。下面是一个使用 `PCA` 类的示例代码：

from sklearn.decomposition import PCA
from sklearn.datasets import make_circles
import matplotlib.pyplot as plt

X, y = make_circles(n_samples=1000, noise=0.1, random_state=123, factor=0.5)

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

print(pca.explained_variance_ratio_)

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.show()

在上面的示例代码中，我们同样使用了 `make_circles` 生成了一个圆形数据集，然后使用传统的 PCA 将数据降到了二维，并可视化了降维后的结果。同时，我们使用 `pca.explained_variance_ratio_` 属性获取了每个主成分的方差贡献率，并打印了出来。