Coursera-吴恩达-机器学习-（编程练习7）K均值和PCA（对应第8周课程）

此系列为 Coursera 网站Andrew Ng机器学习课程个人学习笔记（仅供参考）

课程网址：https://www.coursera.org/learn/machine-learning

exercise 7 —— K-means and PCA

在此下载Coursera-吴恩达-机器学习-全部编程练习答案

在本练习中，您将实现K均值聚类算法并将其应用于压缩图像。 在第二部分中，您将使用主成分分析来查找面部图像的低维表示。

1 K-means

先从二维的点开始，使用K-means进行分类。



K-means步骤如上，在每次循环中，先对所有点更新分类，再更新每一类的中心坐标。

ex7.m中提供了一个例子，其中中 K 已经被手动初始化过了。

我们要把点分成三类，迭代次数为10次。三类的中心点初始化为(3,3),(6,2),(8,5).

得到如下图像。（中间的图像略去，只展示开始和完成时的图像）

这是初始图像：



进行10次迭代后的图像：image

可以看到三堆点被很好地分成了三类。图片上同时也展示了中心点的移动轨迹。



用K-means进行图片压缩。

用一张128\times 128的图片为例，采用RGB，总共需要128\times 128 \times 24 = 393216个bit。

这里我们对他进行压缩，把所有颜色分成16类，以其centroid对应的颜色代替整个一类中的颜色，可以将空间压缩至16\times 24 + 128\times 128 \times 4 = 65920 个bit。

用题目中提供的例子，效果大概如下：

2 PCA

在这个练习中，您将使用主成分分析（PCA）来执行降维。 您将首先尝试使用示例2D数据集来直观了解PCA如何工作，然后将其用于5000张面部图像数据集的较大数据集。

所提供的脚本ex7 pca.m将帮助您逐步完成练习的前半部分。

先对例子中的二维向量实现降低到一维。





根据上图可以看出，恢复后的图只保留了其中一个特征向量上的信息，而垂直方向的信息丢失了

Face image dataset

对人脸图片进行dimension reduction。ex7faces.mat中存有大量人脸的灰度图（32 \times 32) , 因此每一个向量的维数是 32 \times 32 = 1024。

如下是前一百张人脸图：



用PCA得到其主成分，将其重新转化为 32\times 32 的矩阵后，对其可视化，如下：(只展示前36个）



取前100个特征向量进行投影，



可以看出，降低维度后，人脸部的大致框架还保留着，但是失去了一些细节。这给我们的启发是，当我们在用神经网络训练人脸识别时，有时候可以用这种方式来提高速度。