无监督学习-NMF-降维-人脸特征的提取-所有的代码解释和分析

62 阅读 0 评论 41 点赞

我是靠谱客的博主醉熏大象，最近开发中收集的这篇文章主要介绍无监督学习-NMF-降维-人脸特征的提取-所有的代码解释和分析，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

实验目标

目标︰已知Olivetti人脸数据共400个，每个数据是64*64大小。由于NMF分解得到的W矩阵相当于从原始矩阵中提取的特征，那么就可以使用NMF对400个人脸数据进行特征提取。

逐个方法分析

数据集的参数说明

dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0))
faces = dataset.data

shuffle:如果是的True，数据集的顺序就会被调整，防止获取同一组人的图像
random_state：决定数据集调整的随机数的代数，指定random的不同数字，会出现不同的脸
如果将shuffle换成false，会出现同一张脸的六幅图片

图片展示的调整

# 设置图片展示的格式，images是图像类的数据
def plot_gallery(title, images, n_col=n_col, n_row=n_row):
    # 创建图片，并指定图片的大小
    plt.figure(figsize=(2. * n_col, 2.26 * n_row))
    # 设置标题以及字号的大小
    plt.suptitle(title, size=16)
	
	# i是计数器，comp是具体的对象,
    for i, comp in enumerate(images):
        # 选择绘制的子图的位置,subplot是从上到下从左到右，从1开始计数的，索引是从零开始计数的
        plt.subplot(n_row, n_col, i + 1)
        vmax = max(comp.max(), -comp.min())

        # 对数值进行归一化，并以灰度的图片的形式进行展示
        plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
                   interpolation='nearest', vmin=-vmax, vmax=vmax)
        plt.xticks(())
        plt.yticks(())
    # 对子图位置以及间隔进行调整
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)

plt.figure（）：
- 创建一个新的图片窗口，大小是2. * n_col, 2.26 * n_row
- fogsize(float,float)
plt.suptitle(title,size = 16):
- 在figure中创建一个居中的题头，字体大小是16
- title是将要显示在figure中的文字
- fontsize：对应的字体的大小
plt.imshow()：将数据展示为图片，或者2D的光栅图
- 输入RGB的数组或者2D的光栅图，最终的被显示为伪彩色图
- 展示灰度图片要设定参数cmap、vmin和vmax
- interpolation差值：nearest对图片进行粗采样，可以不写，默认是抗锯齿化的，图片看上去更加的光滑
xticks，yticks：设置每一个图片的对应横纵坐标值标记，这里是传入空值，如果去除是如下的效果

算法调用函数的解释

estimators = [
    # 提取方法的名称-对应的方法的实例
    ('Eigenfaces - PCA using randomized SVD',
     decomposition.PCA(n_components=6, whiten=True)),

    ('Non-negative components - NMF',
     decomposition.NMF(n_components=6, init='nndsvda', tol=5e-3))
]

# 分别调用PCA和NMF
for name, estimator in estimators:
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    # 调用PCA和NMF提取特征
    estimator.fit(faces)
    # 获取提取的特征
    components_ = estimator.components_
    # 按照固定的格式进行排列
    plot_gallery(name, components_[:n_components])

estimate：是PCA和NMF两个方法生成的实体对象的数组
estimator.fit(faces)：遍历estimate中的两种方法的实体，并将实际的测试数据填入其中
components_ = estimator.components：生成的返回的对象
components_[:n_components]：获取提取到的特征的数量，前六个

实现代码

# 创建随机数种子
from numpy.random import RandomState
import matplotlib.pyplot as plt
# 加载人脸识别的数据集
from sklearn.datasets import fetch_olivetti_faces
# 加载降维的模块
from sklearn import decomposition

# 设置图像展示时的排列情况，一次画板展示六幅图片
n_row, n_col = 4, 3
# 设置特征提取的数量，总共是6个
n_components = n_row * n_col
# 设置人脸图片的大小
image_shape = (64, 64)


###############################################################################
# 加载人脸的数据集，并且打乱人脸的顺序
dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(3))
faces = dataset.data

# 设置图片展示的格式
def plot_gallery(title, images, n_col=n_col, n_row=n_row):
    # 创建图片，并指定图片的大小
    plt.figure(figsize=(2. * n_col, 2.26 * n_row))
    # 设置标题以及字号的大小
    plt.suptitle(title, size=6)

    for i, comp in enumerate(images):
        # 选择绘制的子图的位置
        plt.subplot(n_row, n_col, i+1)
        vmax = max(comp.max(), -comp.min())

        # 对数值进行归一化，并以灰度的图片的形式进行展示
        plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
                    vmin=-vmax, vmax=vmax)

    # 对子图位置以及间隔进行调整
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)


plot_gallery("First centered Olivetti faces", faces[:n_components])
###############################################################################

# 创建特征提取的对象的NMF，使用PCA作对比
estimators = [
    # 提取方法的名称-对应的方法的实例
    ('Eigenfaces - PCA using randomized SVD',
     decomposition.PCA(n_components=12, whiten=True)),

    ('Non-negative components - NMF',
     decomposition.NMF(n_components=12, init='nndsvda', tol=5e-3))
]

###############################################################################
# 降维之后数据点的可视化
# 分别调用PCA和NMF
for name, estimator in estimators:
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    # 调用PCA和NMF提取特征
    estimator.fit(faces)
    # 获取提取的特征
    components_ = estimator.components_
    # 按照固定的格式进行排列
    plot_gallery(name, components_[:n_components])

plt.show()