matplotlib可视化PCA后的重建图像及重建误差

代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.datasets import fetch_olivetti_faces

# 加载Olivetti人脸数据集
data = fetch_olivetti_faces()
X = data.data
images = data.images

# 设置不同的PCA组件数
components = [10, 50, 100, 150, 200]
errors = []
h, w = images.shape[1:3]

for n_components in components:
    # 应用PCA
    pca = PCA(n_components=n_components)
    X_pca = pca.fit_transform(X)
    X_reconstructed = pca.inverse_transform(X_pca)

    # 计算重建误差
    error = np.mean((X - X_reconstructed) ** 2)
    errors.append(error)

    # 显示重建的示例图像
    example_reconstructed = X_reconstructed[0].reshape((h, w))
    plt.imshow(example_reconstructed, cmap='gray')
    plt.title(f"Reconstructed Image with {n_components} components")
    plt.show()

# 显示误差图表
plt.figure()
plt.plot(components, errors, marker='o')
plt.xlabel('Number of Components')
plt.ylabel('Reconstruction Error')
plt.title('PCA Reconstruction Error vs. Number of Components')
plt.show()

Matplotlib（plt）函数详解

该代码段展示了如何使用Matplotlib（通常缩写为plt）进行数据可视化。以下是对代码中使用的每个plt函数及其参数的详细解释：

1. imshow()

• 用途：显示图像。
• 参数：
  • 第一个参数：图像数据，在这个例子中是重建后的图像。
  • cmap='gray'：颜色映射，‘gray’ 表示灰度图。
  • 其他参数：如 title 设置图像的标题。

2. title()

• 用途：为图像设置标题。
• 参数：
  • 第一个参数：字符串，表示标题文本。

3. show()

• 用途：显示之前用imshow()等函数准备的图像或图表。
• 参数：无。调用时会将之前准备的所有图像或图表呈现出来。

4. figure()

• 用途：创建一个新的图表窗口。
• 参数：可选参数，如图表的大小。

5. plot()

• 用途：绘制线图。
• 参数：
  • 第一个参数：x轴数据。
  • 第二个参数：y轴数据。
  • marker='o'：指定数据点的标记样式，‘o’ 表示圆圈。

6. xlabel() 和 ylabel()

• 用途：设置x轴和y轴的标签。
• 参数：轴标签的文本。

7. title()

• 用途：为整个图表设置标题。
• 参数：标题文本。

通过以上的plt函数，我们可以对PCA的重建效果进行可视化，并观察不同维度下的重建误差变化。

结果