(公式的推导略)
3 案例
NMF人脸数据特征提取:
**目标:**已知Olivetti人脸数据共400个,每个数据是64*64大小。由于NMF分解得到的 W矩阵相
当于从原始矩阵中提取的特征 ,那么就可以使用NMF对400个人脸数据进行特征提取。
通过设置k的大小,设置提取的特征的数目。在本实验中设置k=6,随后将提取的特征以图像的形式展示出来。
4 代码实现(Python)
在sklearn库中,可以使用sklearn.decomposition.NMF加载NMF算法,主要参数有:
• n_components:用于指定分解后矩阵的单个维度k;
• init:W矩阵和H矩阵的初始化方式,默认为‘nndsvdar’。
4.1 代码
#1. 建立工程,导入sklearn相关工具包:=
from numpy.random import RandomState #加载RandomState用于创建随机种子
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_olivetti_faces #加载Olivetti人脸数据集导入函数
from sklearn import decomposition #加载PCA算法包
from pylab import *
import matplotlib; matplotlib.use(‘TkAgg’)
mpl.rcParams[‘font.sans-serif’] = [‘SimHei’]
mpl.rcParams[‘axes.unicode_minus’] = False
#==2. 设置基本参数并加载数据:=
n_row, n_col = 2, 3 #设置图像展示时的排列情况,如右图
n_components = n_row * n_col #设置提取的特征的数目
image_shape = (64, 64) #设置人脸数据图片的大小
#=3.下载人脸数据:============
dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0)) #加载数据,并打乱顺序
faces = dataset.data #加载数据,并打乱顺序
#=4. 设置图像的展示方式:======
def plot_gallery(title, images, n_col=n_col, n_row=n_row):
plt.figure(figsize=(2. * n_col, 2.26 * n_row)) #创建图片,并指定图片大小(英寸)
plt.suptitle(title, size=16) #设置标题及字号大小
for i, comp in enumerate(images):
plt.subplot(n_row, n_col, i + 1) #选择画制的子图
vmax = max(comp.max(), -comp.min())
#对数值归一化,并以灰度图形式显示
plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
interpolation=‘nearest’, vmin=-vmax, vmax=vmax)
plt.xticks(()) #去除子图的坐标轴标签
plt.yticks(())
plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.) #对子图位置及间隔调整
plot_gallery(“首先是奥利维蒂的脸”, faces[:n_components])
#===5.创建特征提取的对象NMF,使用PCA作为对比:
estimators = [
(‘基于随机奇异值分解的特征脸PCA’, #提取方法名称
decomposition.PCA(n_components=6, whiten=True)), #PCA实例
(‘非负性成分-NMF’, #提取方法名称
decomposition.NMF(n_components=6, init=‘nndsvda’, tol=5e-3)) #NMF实例
]
#=6.降维后数据点的可视化:===========
for name, estimator in estimators: #分别调用PCA和NMF
print(“Extracting the top %d %s…” % (n_components, name))
print(faces.shape)
estimator.fit(faces) #调用PCA或NMF提取特征(数据训练)
components_ = estimator.components_ #获取提取的特征
plot_gallery(name, components_[:n_components]) #按照固定格式进行排列
plt.show()
4.2 结果展示
Extracting the top 6 基于随机奇异值分解的特征脸PCA…
(400, 4096)
Extracting the top 6 非负性成分-NMF…
(400, 4096)
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
[外链图片转存中…(img-xfrSKxzw-1712936407555)]