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

  1. sklearn.datasets: 用來繪入內建之影像資料庫
  2. sklearn.utils.validation: 用來取亂數
  3. sklearn.ensemble
  4. sklearn.neighbors
  5. 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。

  1. from sklearn.datasets import fetch_olivetti_faces
  2. data = fetch_olivetti_faces()
  3. targets = data.target
  4. 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

  1. train = data[targets < 30]
  2. 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)

  1. # Test on a subset of people
  2. n_faces = 5
  3. rng = check_random_state(4)
  4. face_ids = rng.randint(test.shape[0], size=(n_faces, ))
  5. 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。

  1. n_pixels = data.shape[1]
  2. X_train = train[:, :np.ceil(0.5 * n_pixels)]  
  3. y_train = train[:, np.floor(0.5 * n_pixels):]  
  4. X_test = test[:, :np.ceil(0.5 * n_pixels)]
  5. 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

  1. extremely randomized trees (絕對隨機森林演算法)
  2. k nearest neighbors (K-鄰近演算法)
  3. linear regression (線性回歸演算法)
  4. ridge regression (脊回歸演算法)
  1. ESTIMATORS = {
  2.     "Extra trees": ExtraTreesRegressor(n_estimators=10, max_features=32,random_state=0),
  3.     "K-nn": KNeighborsRegressor(),
  4.     "Linear regression": LinearRegression(),
  5.     "Ridge": RidgeCV(),
  6. }

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。

  1. y_test_predict = dict()
  2. for name, estimator in ESTIMATORS.items():
  3.     estimator.fit(X_train, y_train)
  4.     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。

  1. image_shape = (64, 64)
  2. n_cols = 1 + len(ESTIMATORS)
  3. plt.figure(figsize=(2. * n_cols, 2.26 * n_faces))
  4. plt.suptitle("Face completion with multi-output estimators", size=16)
  6. for i in range(n_faces):
  7.     true_face = np.hstack((X_test[i], y_test[i]))
  9.     if i:
  10.         sub = plt.subplot(n_faces, n_cols, i * n_cols + 1)
  11.     else:
  12.         sub = plt.subplot(n_faces, n_cols, i * n_cols + 1,
  13.                           title="true faces")
  16.     sub.axis("off")
  17.     sub.imshow(true_face.reshape(image_shape),
  18.                cmap=plt.cm.gray,
  19.                interpolation="nearest")
  21.     for j, est in enumerate(sorted(ESTIMATORS)):
  22.         completed_face = np.hstack((X_test[i], y_test_predict[est][i]))
  24.         if i:
  25.             sub = plt.subplot(n_faces, n_cols, i * n_cols + 2 + j)
  27.         else:
  28.             sub = plt.subplot(n_faces, n_cols, i * n_cols + 2 + j,
  29.                               title=est)
  31.         sub.axis("off")
  32.         sub.imshow(completed_face.reshape(image_shape),
  33.                    cmap=plt.cm.gray,
  34.                    interpolation="nearest")
  36. plt.show()

Ex 7: Face completion with a multi-output estimators - 图1