【机器学习】 实验 4:主成分分析 (Principal Component Analysis) |
您所在的位置:网站首页 › 胶囊表皮成分分析实验报告 › 【机器学习】 实验 4:主成分分析 (Principal Component Analysis) |
介绍(Introduction)
在本次实验中,将实现主成分分析方法,并使用它获得人脸图像的低维表示。 本次实验需要用到的数据集包括: ex4data1.mat -2D 仿真数据集ex4data2.mat -LFW人脸数据集评分标准如下: 要点1:数据标准化--------------------(10分)要点2:实现PCA算法-----------------(30分)要点3:降维仿真数据-----------------(10分)要点4:重构仿真数据-----------------(10分)要点5:降维人脸数据-----------------(20分)要点6:重构人脸数据-----------------(20分)# 引入所需要的库文件 import os import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl import seaborn as sb from scipy.io import loadmat import scipy %matplotlib inline **要点 1:** 在下方cell中,请**实现''数据标准化''的代码**。 # ====================== 在这里填入代码 ======================= def Normalize(X): """ 输入 ---------- X : 尺寸为 (D, N)的矩阵,第i列为第i个样本,D为样本的维数,N为样本的个数。 输出 ------- X_norm : 尺寸为 (D, N)的矩阵。 """ X_mean = np.mean(X, axis=1) X_std = np.std(X, axis=1) X_norm = np.zeros(X.shape) iters = X.shape[1] for i in range(iters): X_norm[:,i] = (X[:,i] - X_mean)/X_std return X_norm # ============================================================= **要点 2:** 在下方cell中,请**实现''主成分分析''的代码**。 # ====================== 在这里填入代码 ======================= def PCA(X,d): """ 输入 ---------- X : 尺寸为 (D, N)的矩阵,第i列为第i个样本,D为样本的维数,N为样本的个数。 d: 期望的维数 输出 ------- W : 尺寸为 (D, d)的投影矩阵,第i列为协方差矩阵的第i个特征向量。 """ # Step 1: 标准化(调用要点1中的代码) X = Normalize(X) # Step 2: 计算协方差矩阵 X = np.matrix(X) cov = X*X.T/X.shape[0] # Step 3: 奇异值分解(查询numpy中进行奇异值分解的函数) U,S,V = np.linalg.svd(cov) # Step 4: 取最大的𝑑个特征值所对应的特征向量并组成矩阵W W = U[:,:d] return W # ============================================================= 如果完成了上述函数 pca,以下代码可用于测试。如果结果为[-0.707107, -0.707107],则计算通过。 # Load the dataset into the variable X data = loadmat(os.path.join('ex4data1.mat')) X = data['X'] X=X.T # Run PCA W= PCA(X,2) print('第一个特征向量: W[:, 0] = [{:.6f}, {:.6f}]'.format(W[0, 0], W[1, 0]))输出结果: 2 将PCA应用于仿真数据 在本部分实验中,将已实现的PCA算法应用于数据集1,该数据集中的样本维数为2,因此降维结束后,可通过可视化观察降维前后的结果。 # 可视化原始数据集 plt.plot(X[0, :], X[1, :], 'bo', ms=10, mec='k', mew=1) plt.axis([0.5, 6.5, 2, 8]) plt.gca().set_aspect('equal') plt.grid(False)输出结果: # 可视化标准化之后的数据集 X_norm=Normalize(X) X_norm = np.matrix(X_norm) plt.plot(X_norm[0, :], X_norm[1, :], 'bo', ms=10, mec='k', mew=1) plt.axis([-3, 2.75, -3, 2.75]) plt.gca().set_aspect('equal') plt.grid(False) 输出结果: 2.1 利用PCA降维 利用上述PCA代码可将仿真数据降至1维。 **要点 3:** 在下方cell中,请**实现''ProjectData''的代码**,输出降维后的数据。 # ====================== 在这里填入代码 ======================= def ProjectData(X, W): """ 输入 ---------- X : 尺寸为 (D, N)的矩阵,第i列为第i个样本,D为样本的维数,N为样本的个数。 W : 尺寸为 (D, d)的投影矩阵,第i列为协方差矩阵的第i个特征向量。 输出 ------- Z : 尺寸为 (d, N)的矩阵,第i列为第i个降维后的数据。 """ # Step 1: 标准化(调用要点1中的代码) X = Normalize(X) # Step 2: 计算降维后的数据 Z = np.dot(W.T,X) return Z # =============================================================如果完成了上述函数 ProjectData,以下代码可用于测试。如果结果为 1.496313,则计算通过。 # 将数据降至一维 W = PCA(X,1) Z = ProjectData(X, W) print('第一个样本降维后的数据: {:.6f}'.format(Z[0, 0]))输出结果: 利用降维后的数据矩阵Z,可近似重构原始数据。 **要点 4:** 在下方cell中,请**实现''RecoverData''的代码**,输出重构后的数据。 # ====================== 在这里填入代码 ======================= def RecoverData(Z, W): """ 输入 ---------- Z : 尺寸为 (d, N)的矩阵,第i列为第i个降维后的数据。 W : 尺寸为 (D, d)的投影矩阵,第i列为协方差矩阵的第i个特征向量。 输出 ------- X_rec : 尺寸为 (D, N)的矩阵,第i列为第i个重构后的数据。 """ X_rec = np.dot(W,Z) return X_rec # ============================================================= 如果完成了上述函数 RecoverData,以下代码可用于测试。如果结果为[-1.058053, -1.058053],则计算通过。 # 重构原始数据 X_rec = RecoverData(Z, W) # print('第一个重构后的数据: {:.6f}'.format(X_rec[:, 0])) print('第一个重构后的数据: X_rec[:, 0] = [{:.6f}, {:.6f}]'.format(X_rec[0, 0], X_rec[1, 0]))输出结果: #可视化重构前后的结果 X_norm=Normalize(X) # Plot the normalized dataset (returned from featureNormalize) fig, ax = plt.subplots(figsize=(5, 5)) ax.plot(X_norm[0, :], X_norm[1, :], 'bo', ms=8, mec='b', mew=0.5) ax.set_aspect('equal') ax.grid(False) plt.axis([-3, 2.75, -3, 2.75]) # Draw lines connecting the projected points to the original points ax.plot(X_rec[0, :], X_rec[1, :], 'ro', mec='r', mew=2, mfc='none') for xnorm, xrec in zip(X_norm.T, X_rec.T): ax.plot([xnorm[0], xrec[0]], [xnorm[1], xrec[1]], '--k', lw=1) 输出结果: 3 将PCA应用于人脸重构 在本部分实验中,将已实现的PCA算法应用于数据集2,为LFW人脸数据集合的子集。 # Load Face dataset data = loadmat(os.path.join('ex4data2.mat')) X = data['X'] X=X.T X = X[:,:100] #定义显示人脸图像函数 def displayImage(X): """ 输入 ---------- X : 尺寸为 (D, N)的矩阵,第i列为第i个样本,D为样本的维数,N为样本的个数。 """ # Compute number of items to display N=X.shape[1] display_rows = int(np.floor(np.sqrt(N))) display_cols = int(np.ceil(N / display_rows)) figsize=(N,N) fig, ax_array = plt.subplots(display_rows, display_cols) ax_array = [ax_array] if N == 1 else ax_array.ravel() for i, ax in enumerate(ax_array): ax.imshow(X[:,i].reshape(32, 32, order='F'), cmap='gray') ax.axis('off') 3.1 利用PCA对人脸图像降维**要点 5:** 利用PCA代码将人脸数据降至64维,并显示前16个特征向量。 # ====================== 在这里填入代码 ======================= #Step 1: 利用PCA对原始数据降维 D,N = X.shape W = PCA(X,64) Z = ProjectData(X, W) #Step 2: 调用前文中的displayImage函数显示前16个特征向量所对应的图像 X_show = X[:,:16] displayImage(X_show) # ============================================================= 输出结果: **要点 6:** 利用降维后的数据重构原始人脸数据,并显示前16个重构前后的人脸数据。 # ====================== 在这里填入代码 ======================= #Step 1: 利用RecoverData函数得到重构数据 X_rec = RecoverData(Z, W) #Step 2: 利用displayImage函数显示前16个原始图像 X_show1 = X[:,:16] displayImage(X_show1) plt.gcf().suptitle('Original faces') #Step 3: 利用displayImage函数显示前16个重构图像 X_show2 = X_rec[:,:16] displayImage(X_show2) plt.gcf().suptitle('Recovered faces') # ============================================================= 输出结果:
|
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |