Ex 7: Face completion with a multi-output estimators

通用範例/範例七: Face completion with a multi-output estimators
​http://scikit-learn.org/stable/auto_examples/plot_multioutput_face_completion.html​
這個範例用來展示scikit-learn如何用 extremely randomized trees, k nearest neighbors, linear regression 和 ridge regression 演算法來完成人臉估測。
(一)引入函式庫及內建影像資料庫
引入之函式庫如下
sklearn.datasets: 用來繪入內建之影像資料庫
sklearn.utils.validation: 用來取亂數
sklearn.ensemble
sklearn.neighbors
sklearn.linear_model
使用 datasets.load_digits() 將資料存入， data 為一個dict型別資料，我們看一下資料的內容。
from sklearn.datasets import fetch_olivetti_faces
data = fetch_olivetti_faces()
targets = data.target
data = data.images.reshape((len(data.images), -1))
顯示
說明
('images', (400, 64, 64))
共有40個人，每個人各有10張影像，共有 400 張影像，影像大小為 64x64
('data', (400, 4096))
data 則是將64x64的矩陣攤平成4096個元素之一維向量
('targets', (400,))
說明400張圖與40個人之分類對應 0-39，記錄每張影像是哪一個人
DESCR
資料之描述
前面30個人當訓練資料，之後當測試資料
train = data[targets < 30]
test = data[targets >= 30]
測試影像從100張亂數選5張出來，變數test的大小變成(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, :]
把每張訓練影像和測試影像都切割成上下兩部分:
X人臉上半部分， Y人臉下半部分。
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)資料訓練
分別用以下四種演算法來完成人臉下半部估測
extremely randomized trees (絕對隨機森林演算法)
k nearest neighbors (K-鄰近演算法)
linear regression (線性回歸演算法)
ridge regression (脊回歸演算法)
ESTIMATORS = {
    "Extra trees": ExtraTreesRegressor(n_estimators=10, max_features=32,random_state=0),
    "K-nn": KNeighborsRegressor(),
    "Linear regression": LinearRegression(),
    "Ridge": RidgeCV(),
}
分別把訓練資料人臉上、下部分放入estimator.fit()中進行訓練。上半部分人臉為條件影像，下半部人臉為目標影像。
y_test_predict為一個dict型別資料，存放5位測試者分別用四種演算法得到的人臉下半部估計結果。
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畫出結果
每張影像都是64*64，總共有5位測試者，每位測試者分別有1張原圖，加上使用4種演算法得到的估測結果。
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()

Ex 4: Imputing missing values before building an estimator

群聚法 Clustering

Last updated 10 months ago

顯示	說明
('images', (400, 64, 64))	共有40個人，每個人各有10張影像，共有 400 張影像，影像大小為 64x64
('data', (400, 4096))	data 則是將64x64的矩陣攤平成4096個元素之一維向量
('targets', (400,))	說明400張圖與40個人之分類對應 0-39，記錄每張影像是哪一個人
DESCR	資料之描述