python成绩统计及格学平成,通用范例 General Examples – Ex 7: Face completion with a multi-output estimators - 机器学习：...

通用范例/范例七: Face completion with a multi-output estimators

这个范例用来展示scikit-learn如何用 extremely randomized trees, k nearest neighbors, linear regression 和 ridge regression 演算法来完成人脸估测。

(一)引入函式库及内建影像资料库

引入之函式库如下

sklearn.datasets: 用来绘入内建之影像资料库

sklearn.utils.validation: 用来取乱数

sklearn.ensemble

sklearn.neighbors

sklearn.linear_model

使用 datasets.load_digits() 将资料存入， data 为一个dict型别资料，我们看一下资料的内容。

from sklearn.datasets import fetch_olivetti_faces

data = fetch_olivetti_faces()

targets = data.target

data = data.images.reshape((len(data.images), -1))

显示

说明

(‘images’, (400, 64, 64))

共有40个人，每个人各有10张影像，共有 400 张影像，影像大小为 64×64

(‘data’, (400, 4096))

data 则是将64×64的矩阵摊平成4096个元素之一维向量

(‘targets’, (400,))

说明400张图与40个人之分类对应 0-39，记录每张影像是哪一个人

DESCR

资料之描述

前面30个人当训练资料，之后当测试资料

train = data[targets < 30]

test = data[targets >= 30]

测试影像从100张乱数选5张出来，变数test的大小变成(5,4096)

# Test on a subset of people

n_faces = 5

rng = check_random_state(4)

face_ids = rng.randint(test.shape[0], size=(n_faces, ))

test = test[face_ids, :]

把每张训练影像和测试影像都切割成上下两部分:

X人脸上半部分，

Y人脸下半部分。

n_pixels = data.shape[1]

X_train = train[:, :np.ceil(0.5 * n_pixels)]

y_train = train[:, np.floor(0.5 * n_pixels):]

X_test = test[:, :np.ceil(0.5 * n_pixels)]

y_test = test[:, np.floor(0.5 * n_pixels):]

(二)资料训练

分别用以下四种演算法来完成人脸下半部估测

extremely randomized trees (绝对随机森林演算法)

k nearest neighbors (K-邻近演算法)

linear regression (线性回归演算法)

ridge regression (脊回归演算法)

ESTIMATORS = {

"Extra trees": ExtraTreesRegressor(n_estimators=10, max_features=32,random_state=0),

"K-nn": KNeighborsRegressor(),

"Linear regression": LinearRegression(),

"Ridge": RidgeCV(),

}

分别把训练资料人脸上、下部分放入estimator.fit()中进行训练。上半部分人脸为条件影像，下半部人脸为目标影像。

y_test_predict为一个dict型别资料，存放5位测试者分别用四种演算法得到的人脸下半部估计结果。

y_test_predict = dict()

for name, estimator in ESTIMATORS.items():

estimator.fit(X_train, y_train)

y_test_predict[name] = estimator.predict(X_test)

(三)matplotlib.pyplot画出结果

每张影像都是64*64，总共有5位测试者，每位测试者分别有1张原图，加上使用4种演算法得到的估测结果。

image_shape = (64, 64)

n_cols = 1 + len(ESTIMATORS)

plt.figure(figsize=(2. * n_cols, 2.26 * n_faces))

plt.suptitle("Face completion with multi-output estimators", size=16)

for i in range(n_faces):

true_face = np.hstack((X_test[i], y_test[i]))

if i:

sub = plt.subplot(n_faces, n_cols, i * n_cols + 1)

else:

sub = plt.subplot(n_faces, n_cols, i * n_cols + 1,

title="true faces")

sub.axis("off")

sub.imshow(true_face.reshape(image_shape),

cmap=plt.cm.gray,

interpolation="nearest")

for j, est in enumerate(sorted(ESTIMATORS)):

completed_face = np.hstack((X_test[i], y_test_predict[est][i]))

if i:

sub = plt.subplot(n_faces, n_cols, i * n_cols + 2 + j)

else:

sub = plt.subplot(n_faces, n_cols, i * n_cols + 2 + j,

title=est)

sub.axis("off")

sub.imshow(completed_face.reshape(image_shape),

cmap=plt.cm.gray,

interpolation="nearest")

plt.show()