python机器学习之降维算法PCA人脸识别中的参数和接口案例,用PCA做噪音过滤

降维算法PCA

一.人脸识别中的components_ 应用

首先导入所需要的库

from sklearn.datasets import fetch_lfw_people#人脸识别数据
from sklearn.decomposition import PCA 
import matplotlib.pyplot as plt
import numpy as np

实例化数据集

faces = fetch_lfw_people(min_faces_per_person=60)#实例化   #每个人需要60张图
faces.images.shape

运行很慢,需要自动下载fetch_lfw_people,慢慢等待,如果出问题请看–>解决数据问题网页链接

查看数据维度

x = faces.data
faces.images.shape
faces.data.shape

1348 是矩阵中图像的个数
62 是每个图象的特征矩阵的行
47 是每个图像的特征矩阵的列

将原特征矩阵进行可视化
数据本身是图像,和数据本身只是数字,使用的可视化方法不同

创建画布和子图对象

fig, axes = plt.subplots(4,5
                        ,figsize = (8,4)
                        ,subplot_kw = {
   "xticks":[],"yticks":[]}#不要显示坐标轴
                        )

fig#画布

axes#生成的子图对象

画一个图

axes[0][0].imshow(faces.images[0,:,:])

需要加在画布里面

将数据对象换成一维

axes.flat#降维,变成一维
[*