第7章 PCA与梯度上升法 学习笔记下
7-7 试手MNIST数据集
MNIST
使用kNN
knn没有数据归一化，其数据本身就在一定区间其像素表示亮度
PCA进行降维
pca不仅仅降维，还同时在降噪
7-8 使用PCA对数据进行降噪
回忆我们之前的例子
手写识别的例子
example_digits = noisy_digits[y==0,:][:10]
for num in range(1,10):example_digits = np.vstack([example_digits, noisy_digits[y==num,:][:10]])def plot_digits(data):fig, axes = plt.subplots(10, 10, figsize=(10, 10),subplot_kw={'xticks':[], 'yticks':[]},gridspec_kw=dict(hspace=0.1, wspace=0.1)) for i, ax in enumerate(axes.flat):ax.imshow(data[i].reshape(8, 8),cmap='binary', interpolation='nearest',clim=(0, 16))plt.show()plot_digits(example_digits)
7-9 人脸识别与特征脸
每一行是一个样本，Wk中表达了X中的信息
特征脸
def plot_faces(faces):fig, axes = plt.subplots(6, 6, figsize=(10, 10),subplot_kw={'xticks':[], 'yticks':[]},gridspec_kw=dict(hspace=0.1, wspace=0.1)) for i, ax in enumerate(axes.flat):ax.imshow(faces[i].reshape(62, 47), cmap='bone')plt.show()plot_faces(example_faces)pca降维
更多关于lfw_people数据集
有的人脸图像太少，所以可以找到每个人的图像数等于60的数据样本，这儿就8个人的，可以采用knn实现自己的人脸识别系统
第7章 PCA与梯度上升法 学习笔记下相关推荐
- 第7章 PCA与梯度上升法
主成分分析法:主要作用是降维 疑似右侧比较好? 第三种降维方式: 问题:????? 方差:描述样本整体分布的疏密的指标,方差越大,样本之间越稀疏:越小,越密集 第一步: 总结: 问题:????怎样使其 ...
- 07 PCA(主成分分析)之梯度上升法
上篇讲的是PCA基于矩阵操作方法的实现,本文讲的是基于梯度上升法实现的PCA. PCA之梯度上升法 PCA原理 主成分分析PCA 均值归零(demean) 映射轴和方差 梯度上升法 代码实现 单个主成 ...
- 使用梯度上升法求解 PCA 问题
代码实现: import numpy as np import matplotlib.pyplot as pltX = np.empty((100,2)) X[:,0] = np.random.uni ...
- Python机器学习：PCA与梯度上升03求数据的主成分PCA
梯度上升法解决最优化问题 import numpy as np import matplotlib.pyplot as plt X = np.empty((100,2)) X[:,0] = np.ra ...
- matlab ncg,2步非线性共轭梯度(NCG)法
2步非线性共轭梯度(NCG)法 提出一种求解非线性方程组的2步非线性共轭梯度法(2步NCG法),并在一定条件下证明 (本文共9页) 阅读全文>> 作者提出的自适应共轭梯度方法是对共轭梯度方 ...
- 最小二乘法+牛顿法+拟牛顿法+梯度下降法+梯度上升法+共轭梯度法
最小二乘法+牛顿法+拟牛顿法+梯度下降法+梯度上升法+共轭梯度法 最小二乘法+牛顿法+拟牛顿法+梯度下降法+梯度上升法+共轭梯度法 上述几种方法,除了最小二乘法是直接使用公式取得之外,另外几种方法都是 ...
- EL之Boosting之GB(DTR)：利用梯度提升法解决回归(对多变量的数据集+实数值评分预测)问题
EL之Boosting之GB(DTR):利用梯度提升法解决回归(对多变量的数据集+实数值评分预测)问题 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 xList = [] labe ...
- EL之Boosting之GB(DTR)：简单回归问题使用梯度提升法(DIY数据集+DTR模型+调两参)
EL之Boosting之GB(DTR):简单回归问题使用梯度提升法(DIY数据集+DTR模型+调两参) 目录 输出结果 设计思路 核心代码 输出结果 1.eps=0.1,treeDepth=1 2.e ...
- Python机器学习：PCA与梯度上升：04求数据的前n个主成分
获取前N个主成分 #获取前n个主成分 import numpy as np import matplotlib.pyplot as plt 产生数据集 X = np.empty((100,2)) X[ ...
- PCA降维（主成分分析法）
PCA降维(主成分分析法) PCA的基本思想 PCA数学推导(最大方差法) 第一步,数据去中心化 第二步,找到新最标轴 第三步,选择你需要数据的百分之几的成分 PCA算法的优劣 问题 使用PCA到底需 ...
最新文章
- Learn OpenGL （九）：基础光照
- 一个数里有那些约数用c++怎么做_如何从一堆数里找出哪几个数相加等于你要的值？...
- android pc模式 刘祚虎,刘作虎：一加三段式按键安卓手机唯一 5年付出亿级成本...
- 信息网络安全技术知识
- mysql running_mysql常用命令
- mysql数据表案例_mysql中库和表的简单操作案例
- 如何给CSDN上的每篇原创文章添加版权声明
- 数据库同步功能要慎用
- 高分辨率扫描出来的图片有摩尔纹_【艺术与设计】 摩尔纹的设计
- Qt创建ui界面/界面关联类和LNK2001
- mac能开发android吗,怎么在Mac上开发Android应用
- 解决iText生成pdf文件过大的问题
- 【CH01】创建、初始化SpringBoot项目与项目git管理
- 2016年ios公开可利用漏洞总结
- 不再犹豫用计算机,电脑固态硬盘接口该怎么选？3选1不再犹豫
- 2010年RSA大会RSA总裁主题演讲：云的安全
- PHP集运系统源码 国际物流集运转运系统源码
- 测试是ufs3.0的软件,UFS3.0极限测试 安装1000个App后手机会不会变卡
- 离线安装MySQL缺少libaio.so.1文件——并离线安装libaio.so.1
- HTML5+CSS3小实例：酷炫的ANIPLEX文字特效