程序示例–PCA for 數據可視化

我們有一張小鳥的圖片，這是一個三通道彩色圖像：

我們將圖片的像素按顏色進行聚類，并在三維空間觀察聚類成果：

似乎在三維空間可視化不是那么直觀，借助于PCA，我們將聚類結果降到二維空間進行可視化：

測試代碼：

# coding: utf8 # pca/test_pca4visualization.pyimport numpy as np import kmeans import pca from scipy.io import loadmat from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt import matplotlib.cm as cmx import matplotlib.colors as colorsdef getCmap(count):color_norm = colors.Normalize(vmin=0, vmax=count-1)scalar_map = cmx.ScalarMappable(norm=color_norm, cmap='hsv')def map_index_to_rgb_color(index):return scalar_map.to_rgba(index)return map_index_to_rgb_colorfig = plt.figure() ax = fig.add_subplot(111, projection='3d')data = loadmat('data/bird_small.mat') A = data['A']A = A / 255.0;height, width, channels = A.shape X = np.mat(A.reshape(height * width, channels))m, n = X.shapeclusterNum = 16 cmap = getCmap(clusterNum) centroids, clusterAssment = kmeans.kMeans(X, clusterNum) # 隨機選擇 1000 個樣本繪制 sampleSize = 1000 sampleIndexs = np.random.choice(m, sampleSize) clusters = clusterAssment[sampleIndexs] samples = X[sampleIndexs]# 三維下觀察 for i in range(sampleSize):x, y, z = samples[i,:].A[0]center = clusters[i, 0]color = cmap(center)ax.scatter([x], [y], [z], color=color, marker='o') plt.show()# 二維下觀察 reducedSamples = pca.PCA(samples, k=2)[1] for i in range(sampleSize):x, y = reducedSamples[i,:].A[0]center = clusters[i, 0]color = cmap(center)plt.scatter([x], [y], color=color, marker='o') plt.show()

總結

以上是生活随笔為你收集整理的7.5 程序示例--PCA for 数据可视化-机器学习笔记-斯坦福吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。