CH1_project

最新推荐文章于 2024-07-21 19:18:55 发布

Jin4869

最新推荐文章于 2024-07-21 19:18:55 发布

阅读量269

点赞数 1

分类专栏：机器学习文章标签：机器学习 python

本文链接：https://blog.csdn.net/Jin4869/article/details/126687486

版权

机器学习专栏收录该内容

12 篇文章 1 订阅

订阅专栏

sklearn，处理机器学习（有监督学习和无监督学习）的包，有六个任务模块和一个数据引入模块

有监督学习的分类任务
有监督学习的回归任务
无监督学习的聚类任务
无监督学习的降维任务
数据预处理任务
模型选择任务
数据引入

数据格式：

Numpy二维数组(ndarray)的稠密数据（dense data）
SciPy矩阵（scipy.sparse.matrix）的稀疏数据（sparse data）

上述数据在机器学习中通常用符号X表示，是模型自变量，大小=[样本数，特征数]

有监督学习除了需要特征X还需要标签y，y通常就是Numpy一维数组，无监督学习没有y

生成数据make_circles和make_moons

make_moons和make_circles是函数用来生成数据集

from sklearn.datasets import make_circles
from sklearn.datasets import make_moons

#   生成数据make_circles和make_moons，并显示X = 400x2 ,Y = {0,1}
#   noise设置参数，越小越集中；factor：0<double<1，越小圆环间隔越大
#    random_state：生成随机种子，给定一个int型数据，能够保证每次生成数据相同

x_circle, y_circle = make_circles(n_samples=400, shuffle=True, noise=0.1, factor=0.3, random_state=False)
x_moons, y_moons = make_moons(n_samples=400, shuffle=True, noise=0.1, random_state=False)

将生成的数据集可视化

import matplotlib.pyplot as plt

plt.figure()
plt.subplot(121)
plt.scatter(x_circle[:, 0], x_circle[:, 1], c=y_circle)
plt.title("data by make_circles()")

plt.subplot(122)
plt.scatter(x_moons[:, 0], x_moons[:, 1], c=y_moons)    # scatter生成散点图，c设置散点颜色，用y_moons的值作区分
plt.title("data by make_moons()")

plt.show()

生成结果如下

显示一个图像数据集

网址：http://archive.ics.uci.edu/ml/index.php

下载下来的数据是很多图片的压缩包，任务是把图片拼成一张大图

选择：CMU人脸图像数据集

该数据由 640 张黑白人脸图像组成，他们以不同的姿势（直、左、右、上）、表情（中性、快乐、悲伤、愤怒）、眼睛（是否戴太阳镜）和大小拍摄

每个图像都可以通过姿势、表情、眼睛和大小来表征。每个人有 32 张图像捕捉每种特征组合。

图像数据可以在 /faces 中找到。该目录包含 20 个子目录，每个人一个，以 userid 命名。这些目录中的每一个都包含同一个人的几个不同的面部图像。

.pgm

是图片中人物的用户id，这个字段有20个值：an2i, at33, boland, bpm, ch4f, cheyer, choon, danieln, glickman, karyadi, kawamura, kk49, megak, mitchell, night, phoebe, saavik、steffi、sz24 和 tammo。

是人的头部位置，这个字段有4个值：直、左、右、上。

是人的面部表情，这个字段有4个值：中性、快乐、悲伤、愤怒。

是人的眼睛状态，这个字段有2个值：睁眼，太阳镜。

是图像的比例，该字段有 3 个值：1、2 和 4。1 表示全分辨率图像（128 列 x 120 行）；2 表示半分辨率图像（64 x 60）；4 表示四分之一分辨率的图像（32 x 30）。

如果您仔细查看图像目录，您可能会注意到某些图像具有 .bad 后缀而不是 .pgm 后缀。事实证明，在拍摄的 640 张图像中，有 16 张因相机设置问题而出现故障；这些是.bad 图像。有些人比其他人有更多的毛刺，但每个被“打脸”的人都应该有至少 28 张好的人脸图像（在可能的 32 种变化中，打折规模）。

每个人只从中选择28张照片拼图，一共20个人（同一行）

import numpy as np
from PIL import Image
from os import listdir

ph_path = "D:\\JetBrains\\pythonProject\\machine learning\\faces"
filelist = []
pgm_path = listdir(ph_path)
ROW = 20
COLUMN = 28
WIDTH = 32
HEIGHT = 30

for p in range(len(pgm_path)):
    #   filelist目录下的文件夹列表
    filelist.append(ph_path + str('\\') + str(pgm_path[p]))
    print(filelist)


def merge_persons():
    #   选择四分之一分辨率图像，观察文件名可知，四分之一分辨率图像文件名endwith(".pgm"),文件名最后一个字符是4
    faces = Image.new('RGB', (COLUMN * HEIGHT, ROW * WIDTH))  # 建一个空白图像，然后把图片粘上去
    x = 0
    for lst in filelist:
        num = 0
        for pt in listdir(lst):
            if pt.endswith('4.pgm') & (pt[-5] == '4'):
                #   print(pt)   核实下选的图片对不对
                #   lst + '\\' + pt，图片的地址
                faces.paste(Image.open(lst + '\\' + pt), (num * HEIGHT, x * WIDTH))
                num += 1
            if num > 28:
                break
        x += 1
    faces.save('faces.jpg')


merge_persons()

生成图片：

这里使用了python PIL Image，下面是一些基本用法

#    打开
img = Image.open('1.jpg')
#    灰度
imgGrey = img.convert('L')
#    显示
img.show()
#    保存
img.save('2.jpg')
#    创建指定大小，指定通道类型的空图像
img_white = Image.new('RGB', (width, height), (255,255,255))    # 白色的空图像

图像的拼接也可以通过Image和numpy格式相互转换，拼接numpy然后再转成Image形式得到

from PIL import Image
import numpy as np
 
img = Image.open('01.jpg')
 
array = np.array(img)  # PIL.Image 转 numpy
 
img1 = Image.fromarray(array)  # numpy转 PIL.Image
img1 = Image.fromarray(array.astype('uint8'))    # 图像在显示时需要转换为uint8
 
img1.save('from_array.jpg')