mooc機器學習第四天-降維NMF

1.介紹

2.代碼

import matplotlib.pyplot as plt
from numpy.random import RandomState
from sklearn.datasets import fetch_olivetti_faces
from sklearn import decomposition
#全局變量
n_row,n_col=2,3
n_components= n_row*n_col
image_shae=(64,64)
 
#######################################
#擷取資料并打亂順序
dataset=fetch_olivetti_faces(shuffle= True,random_state=RandomState(0))
# re=RandomState(0)
# print(re.rand(1,2))
faces=dataset.data
 
#######################################
 
#确定圖檔大小以及name
def plot_gallery(title,images,n_col=n_col,n_row=n_row):
    plt.figure(figsize=(2.*n_col,2.26*n_row))
    plt.suptitle(title,size=16)
 
    for i, comp in enumerate(images):
        plt.subplot(n_row,n_col,i+1) #六組特征資料以i+1的方式選擇子圖
        vmax=max(comp.max(),-comp.min()) #資料波動絕對值，再max
        plt.imshow(comp.reshape(image_shae),cmap=plt.cm.gray,
                   interpolation='nearest',vmin=-vmax,vmax=vmax)
        #數值歸一化,double類型,(uint8 0-255) 以灰階顯示
 
        plt.xticks(())#指定坐标軸刻度,旋轉角度rotation=0等操作
        plt.yticks(())
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)
 
#兩種方法對比
estimators=[
    ('Eigenfaces - PCA using randomized SVD',
     decomposition.PCA(n_components=6,whiten=True)),
    ('Non-negative components - NMF',
     decomposition.NMF(n_components=6,init='nndsvda',tol=5e-3))
]
 
#
for name, estimator in estimators:
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    estimator.fit(faces)#導資料fit
    # print(faces)
    components_ = estimator.components_ #投影方向向量
    # print(estimator)
    print(components_[:n_components])  #前六維資料
    plot_gallery(name, components_[:n_components])
 
plt.show()           

有幸有機會我能了解學習到其中些微知識原理，也很是開心；好比遊覽河山，越過曲水蜿蜒，感悟得到的不少，分享給你們～