sklearn机器学习之PCA降维案例一（噪声过滤）

本文链接：https://blog.csdn.net/m0_45184077/article/details/114629483

1.导入相应包

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

2.准备数据集

digits = load_digits()
digits.data.shape

返回(1797, 64)，说明是由1797张长宽为8*8的照片。

3.绘制原始数据集

def plot_digits(data):
    fig, axes = plt.subplots(4, 10, figsize=(20, 8), subplot_kw={'xticks': [], 'yticks': []})
    for i, ax in enumerate(axes.flat):
        ax.imshow(data[i].reshape(8, 8), cmap='binary')
plot_digits(digits.data)
plt.savefig(r"C:\Users\86377\Desktop\1.png")

最后显示的图片如下：
在这里插入图片描述

4.添加高斯噪声

rng = np.random.RandomState(42)
noisy = rng.normal(digits.data, 2)
plot_digits(noisy)
plt.savefig(r"C:\Users\86377\Desktop\2.png")
plt.show()

添加噪声后的图片如下：
在这里插入图片描述

我们可以看到添加了噪声的图片模糊了很多。

5.还原

without_noisy = pca.inverse_transform(X_dr)
plot_digits(without_noisy)
plt.savefig(r"C:\Users\86377\Desktop\2.png")

这里我们得到的图像：
在这里插入图片描述
可以看到和原始图片相近，起到了过滤噪声的作用。