mooc机器学习第四天降维NMF

　　1.介绍
　　2.代码 import matplotlib.pyplot as plt from numpy.random import RandomState from sklearn.datasets import fetch_olivetti_faces from sklearn import decomposition #全局变量 n_row,n_col=2,3 n_components= n_row*n_col image_shae=(64,64)   ####################################### #获取数据并打乱顺序 dataset=fetch_olivetti_faces(shuffle= True,random_state=RandomState(0)) # re=RandomState(0) # print(re.rand(1,2)) faces=dataset.data   #######################################   #确定图片大小以及name def plot_gallery(title,images,n_col=n_col,n_row=n_row):     plt.figure(figsize=(2.*n_col,2.26*n_row))     plt.suptitle(title,size=16)       for i, comp in enumerate(images):         plt.subplot(n_row,n_col,i+1) #六组特征数据以i+1的方式选择子图         vmax=max(comp.max(),-comp.min()) #数据波动绝对值，再max         plt.imshow(comp.reshape(image_shae),cmap=plt.cm.gray,                    interpolation=＂nearest＂,vmin=-vmax,vmax=vmax)         #数值归一化,double类型,(uint8 0-255) 以灰度显示           plt.xticks(())#指定坐标轴刻度,旋转角度rotation=0等操作         plt.yticks(())     plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)   #两种方法对比 estimators=[     (＂Eigenfaces - PCA using randomized SVD＂,      decomposition.PCA(n_components=6,whiten=True)),     (＂Non-negative components - NMF＂,      decomposition.NMF(n_components=6,init=＂nndsvda＂,tol=5e-3)) ]   # for name, estimator in estimators:     print(＂Extracting the top %d %s...＂ % (n_components, name))     print(faces.shape)     estimator.fit(faces)#导数据fit     # print(faces)     components_ = estimator.components_ #投影方向向量     # print(estimator)     print(components_[:n_components])  #前六维数据     plot_gallery(name, components_[:n_components])   plt.show()
　　有幸有机会我能了解学习到其中些微知识原理，也很是开心；好比游览河山，越过曲水蜿蜒，感悟得到的不少，分享给你们～