需求:LAPD的SWAT在处理暴力犯罪的过程中发现,抢匪在行凶过程中经常会蒙面,但是一般还是会把上半张脸露出来。我们通过分析知道,下半张脸和上半张脸实际上是有联系的。那么能否通过人工智能,把蒙面劫匪的下半张脸预测出来,然后对其进行通缉呢?
一、数据获取
1)导入需要的包
from sklearn.datasets import fetch_olivetti_faces
from sklearn.linear_model import LinearRegression,Ridge,Lasso
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
2)获取提供的人脸数据集
faces = fetch_olivetti_faces() # fetch从网络请求数据
data = faces.data
images = faces.images #40个人的每张图片
target = faces.target # 40个人,每个人10张图片
data.shape
(400, 4096) # 400个样本,4096个特征是扁平化的图片数据(64*61=4096)
3)处理数据集,获取训练集与测试集
# 每个人的前9个作为训练数据 最后一个用来测试
# 上半张脸 是 特征值 下半张脸 是 目标值
X_train = [] # 训练集的特征值
y_train = [] # 训练集的目标值
X_test = [] # 测试集的特征值
y_test = [] # 测试集的真实结果
index = 0 # 用来记录 读取的图片的索引的 变量
# 遍历data分开训练集和测试集
for i in range(40):
# 40个人
for j in range(10):
# 每个人10张图
# data[index] # 取出来的是每一个图片 扁平化后的数据
face_data = data[index]
up_face = face_data[:2048] # 上半张脸
down_face = face_data[2048:] # 下半张脸
# 每个人的图片 0-9 一个10个 <9的用来训练 =9的留着测试
if j<9:
X_train.append(up_face) # 作为训练集的特征
y_train.append(down_face) # 作为训练集的结果
else:
X_test.append(up_face) # 作为测试集的特征值
y_test.append(down_face) # 作为测试集的真实结果
index += 1
4)
5)
6)
二、获取各个模型 训练各个模型
lr = LinearRegression()
rr = Ridge()
lasso = Lasso()
lr.fit(X_train,y_train)
rr.fit(X_train,y_train)
lasso.fit(X_train,y_train)
三、使用各个模型预测
y_lr_ = lr.predict(X_test)
y_rr_ = rr.predict(X_test)
y_lasso_ = lasso.predict(X_test)
四、绘制对比测试
取出5个人 把 这是结果 lr rr lasso 的结果对比一下
plt.figure(figsize=(15,15))
for i in range(5):
# 每一个人 真实的上半张脸
up_face = X_test[i]
# 每一个人 真实的下半张脸
down_face = y_test[i]
# 拼合多维数组
face = np.concatenate((up_face,down_face))
# 创建子画布
axes1 = plt.subplot(5,4,i*4+1) # 占用哪个子画布一会儿再分析
# 往对应的子画布中画脸
plt.imshow(face.reshape(64,64))
axes1.axis('off')
axes1.set_title('real')
# lr的 效果
up_face = X_test[i]
# 每一个人 通过普通线性回归预测的下半张脸
down_face = y_lr_[i]
# 拼合多维数组
face = np.concatenate((up_face,down_face))
# 创建子画布
axes2 = plt.subplot(5,4,i*4+2) # 占用哪个子画布一会儿再分析
# 往对应的子画布中画脸
plt.imshow(face.reshape(64,64))
axes2.axis('off')
axes2.set_title('lr')
# rr的 效果
up_face = X_test[i]
down_face = y_rr_[i]
face = np.concatenate((up_face,down_face))
axes3 = plt.subplot(5,4,i*4+3)
plt.imshow(face.reshape(64,64))
axes3.axis('off')
axes3.set_title('ridge')
# lasso的 效果
up_face = X_test[i]
down_face = y_lasso_[i]
face = np.concatenate((up_face,down_face))
axes4 = plt.subplot(5,4,i*4+4)
plt.imshow(face.reshape(64,64))
axes4.axis('off')
axes4.set_title('lasso')
五、绘制代码优化
待更新