线性回归——人脸下半脸预测问题

问题描述

根据人脸上半脸预测下班脸，数据集在

from sklearn.datasets import fetch_olivetti_faces

代码实现

一开始，我用了库里面的标准线性回归模型进行预测，结果发现效果不太好，以下为一开始的代码与效果

import matplotlib.pyplot as plt
import tensorflow as tf
tf = tf.compat.v1
tf.disable_v2_behavior()
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import r2_score
from sklearn.datasets import fetch_olivetti_faces
import numpy as np
from sklearn.linear_model import LinearRegressiondef process_feature(X):scaler=StandardScaler()X=scaler.fit_transform(X)scaler=MinMaxScaler(feature_range=(-1,1))X=scaler.fit_transform(X)return Xdata=fetch_olivetti_faces()
images=data.images
plt.imshow(images[0])
plt.show()data=images.reshape((len(data.images),-1))
n_pixels=data.shape[1]
n_samples=data.shape[0]
X_lode=data[:,:(n_pixels+1)//2]
y_lode=data[:,n_pixels//2:]X_train,X_test,y_train,y_test=train_test_split(X_lode,y_lode,test_size=0.2,random_state=0)
X_train=process_feature(X_train)
X_test=process_feature(X_test)model=LinearRegression()
reg=model.fit(X_train,y_train)
y_pred=model.predict(X_test)
coef=model.coef_
r2=r2_score(y_test,y_pred)print("coef{}".format(coef))
print("r2={}".format(r2))id=6
true_face=np.hstack((X_test[id],y_test[id]))
pred_face=np.hstack((X_test[id],y_pred[id]))
plt.figure()
image_shape=(64,64)
plt.figure(0)
plt.imshow(true_face.reshape(image_shape),interpolation="nearest")
plt.figure(1)
plt.imshow(pred_face.reshape(image_shape),interpolation="nearest")
plt.show()

下面的效果图还挺可怕的，尽量不要在晚上看

发现这个图是真的不大对，看着只有上面出问题了，想着是不是因为我做了标准化的原因，去掉标准化之后果然图片正确了起来

以下是正确运行代码

import matplotlib.pyplot as plt
import tensorflow as tf
tf = tf.compat.v1
tf.disable_v2_behavior()
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import r2_score
from sklearn.datasets import fetch_olivetti_faces
import numpy as np
from sklearn.linear_model import LinearRegressiondata=fetch_olivetti_faces()
images=data.images
plt.imshow(images[0])
plt.show()data=images.reshape((len(data.images),-1))
n_pixels=data.shape[1]
n_samples=data.shape[0]
X_lode=data[:,:(n_pixels+1)//2]
y_lode=data[:,n_pixels//2:]X_train,X_test,y_train,y_test=train_test_split(X_lode,y_lode,test_size=0.2,random_state=0)model=LinearRegression()
reg=model.fit(X_train,y_train)
y_pred=model.predict(X_test)
coef=model.coef_
r2=r2_score(y_test,y_pred)print("coef{}".format(coef))
print("r2={}".format(r2))id=6
true_face=np.hstack((X_test[id],y_test[id]))
pred_face=np.hstack((X_test[id],y_pred[id]))
plt.figure()
image_shape=(64,64)
plt.figure(0)
plt.imshow(true_face.reshape(image_shape),interpolation="nearest")
plt.figure(1)
plt.imshow(pred_face.reshape(image_shape),interpolation="nearest")
plt.show()

结果图为

线性回归——人脸下半脸预测问题相关推荐

R语言使用lm函数拟合多元线性回归模型、假定预测变量没有交互作用（Multiple linear regression）
R语言使用lm函数拟合多元线性回归模型.假定预测变量没有交互作用(Multiple linear regression) 目录
人工智能之基于多变量线性回归的房屋销售价格预测详细解决方案
人工智能之基于多变量线性回归的房屋销售价格预测详细解决方案一.目的学习多变量线性回归模型与梯度下降算法设计机器学习程序,理解并掌握特征归一化,多变量的梯度下降以及正规方程方法,对房屋销售价格进行预 ...
Python建立线性回归模型进行房价预测
Python建立线性回归模型进行房价预测前期准备多因子房价预测实战流程 1.数据加载 2.数据可视化 3.数据预处理 4.模型建立与训练 5.模型预测 6.模型评估 7.房价预测数据与代码前 ...
一元线性回归python示例——房价预测
假设房价只有面积一个影响因素,根据下列数据集建立线性回归模型,并预测面积为700平方英尺的房子价格. No square_feet price 1 150 6450 2 200 7450 3 250 ...
scikit-learn线性回归实践 - 波斯顿房价预测
Educoder实训平台机器学习-线性回归:scikit-learn线性回归实践 - 波斯顿房价预测 (下方代码已成功通过平台测试) 文章目录机器学习:波士顿房价数据集任务描述相关知识 Line ...
使用线性回归实现波士顿房价预测
使用线性回归实现波士顿房价预测本文不进行线性回归基础知识讲解,只提供三种方法对波士顿房价进行预测,这三种方法分别是: 1.使用正规方程的优化方法对波士顿房价进行预测 2.使用梯度下降的优化方法对波士 ...
《机器学习实战》8.2 线性回归基础篇之预测鲍鱼年龄
<机器学习实战>8.2 线性回归基础篇之预测鲍鱼年龄搜索微信公众号:'AI-ming3526'或者'计算机视觉这件小事' 获取更多人工智能.机器学习干货 csdn:https://blo ...
pytorch-用线性回归梯度下降模型-预测水果产量
假设有如下数据集, 如何预测水果产量假设水果产量与地区无关, 与只与温度, 降雨量, 湿度有关, 若用线性模型预测, 可以通过线性回归的方法, 预测产量.加入线性无关, 通过蓝色方框参数可以求解W1 ...
R语言使用lm函数拟合多元线性回归模型、假定预测变量之间有交互作用、R语言使用effects包的effect函数查看交互作用对于回归模型预测响应变量的影响
R语言使用lm函数拟合多元线性回归模型.假定预测变量之间有交互作用.R语言使用effects包的effect函数查看交互作用对于回归模型预测响应变量的影响目录

线性回归——人脸下半脸预测问题

问题描述

代码实现

线性回归——人脸下半脸预测问题相关推荐

最新文章

热门文章