day 8.3 PCA 降噪

from sklearn.datasets import load_digits  # 一个蛮好的系统自带手写数据集
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import numpy as np

digits = load_digits()

# print(digits.data)
# print(set(digits.target.tolist())) # {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
# print(digits.images.shape)  # (1797, 8, 8)
def plot_digits(data):
    # data的结构必须是（m,n）,并且n要能被分为（8,8）这样的结构
    fig, axes = plt.subplots(4, 10, figsize=(10, 4),
                             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.show()

# todo:  数据还蛮好的，所以要手动加点噪音进去
# 在指定的数据集中，随机抽取服从正态分布的数据
# 两个参数，分别是制定的数据集，和抽取出来的正态分布的方差
rng = np.random.RandomState(42)
#### noisy = np.random.normal(digits.data,2)
noisy = rng.normal(digits.data,2)
# plot_digits(noisy)
# plt.show()

# todo: 实现降噪
# 1.  降维
pca=PCA(0.5,svd_solver="full").fit(noisy)
X_dr = pca.transform(noisy)
# print(X_dr.shape)
# 2. 转回来
without_noise = pca.inverse_transform(X_dr)
# print(without_noise.shape)
# 3. 降噪
plot_digits(without_noise)
plt.show()