
机器学习
|
387
projected = pca.inverse_transform(components)
In[22]: # 画出结果
fig, ax = plt.subplots(2, 10, figsize=(10, 2.5),
subplot_kw={'xticks':[], 'yticks':[]},
gridspec_kw=dict(hspace=0.1, wspace=0.1))
for i in range(10):
ax[0, i].imshow(faces.data[i].reshape(62, 47), cmap='binary_r')
ax[1, i].imshow(projected[i].reshape(62, 47), cmap='binary_r')
ax[0, 0].set_ylabel('full-dim\ninput')
ax[1, 0].set_ylabel('150-dim\nreconstruction');
图 5-93:LFW 数据的 150 维 PCA 重构
上面一行显示的是输入图像,而下面一行显示的是从大约
3000
个原始特征中精选出的
50
个特征重构的图像。这个可视化结果清楚地展示了为什么在
5.7
节中的
PCA
特征选择如此
成功:虽然它将数据的原始维度信息缩减了将近
20
倍,但是投影数据还是包含了足够的
信息,使我们可以通过肉眼识别出图像中的人物。这说明我们的分类算法只需要在
150
维
的数据上训练,而不需要在
3000 ...