回归算法进行人脸自动补全
比较了普通的线性回归(LinearRegression)、 套索回归(Lasso)、岭回归(Ridge)和KNeighborsRegressor 在人脸图像补全中的效果。
数据集为sklearn.datasets 中 fetch_olivetti_faces 数据集,一共有400张人脸图片。
实验代码如下:Python -3.8
(1).给定上半部分,预测下半部分
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.linear_model import LinearRegression,Ridge,Lasso
from sklearn.neighbors import KNeighborsRegressor
import sklearn.datasets as datasets
from sklearn.model_selection import train_test_split
# 导入人脸数据(人脸数据集为sklearn 中自带的数据集 一共有400张图片
faces=datasets.fetch_olivetti_faces()
data=faces['images']
#分割人脸 分成上下两部分
#上半张人脸
X=data[:,:32].reshape(400,-1)
# 下半张人脸
y=data[:,32:].reshape(400,-1)
# 利用train_test_split 函数 分成训练集和验证集 验证人脸图片个数为10张
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=10)
# 创建字典,将KNN,lr ,lasso,ridge算法放在一个字典中 方便调用
estimators={
}
estimators['KNN']=KNeighborsRegressor(n_neighbors=5)
estimators['lr']=LinearRegression()
estimators['Ridge']=Ridge(alpha=1)
estimators['Lasso']=Lasso(alpha=1)
# 利用上边四个模型进行训练 并且进行预测
predict_={
}
for key,model in estimators.items()