• 第四次作业:4.K均值算法--应用


    1. 应用K-means算法进行图片压缩

    源码:

    from sklearn.datasets import load_sample_image
    from sklearn.cluster import KMeans
    import matplotlib.pyplot as plt
    import matplotlib.image as img
    import sys

    # 读取一张示例图片图片,观察图片存放数据特点。
    milu = img.imread("G:\zbh.jpg")
    plt.imshow(milu)
    plt.show()#显示原图片

    # 根据图片的分辨率,可适当降低分辨率
    milus = milu[::3, ::3] # 降低图片3倍分辨率

    # 再用K-means均值聚类算法,将图片中所有的颜色值做聚类。
    import numpy as np

    milu1 = np.reshape(milu, (-1, 3))
    n_colors = 64 #设定64类聚类中心
    model = KMeans(n_colors)
    labels = model.fit_predict(milu1) #获取每个像素的颜色类别
    colors = model.cluster_centers_ # 获取每个类别的颜色

    # 然后用聚类中心的颜色代替原来的颜色值。
    new_milu = colors[labels].reshape(milu.shape) #以聚类中收替代原像素颜色,还原为二维
    new_milu = new_milu.astype(np.uint8) # 将浮点型数据转换为整型
    plt.imshow(new_milu)
    plt.show()
    #将原始图片与新图片保存成文件。
    plt.imsave('G:\imgs\milu.jpg', milu)
    plt.imsave('G:\imgs\new_milu.jpg', new_milu)
    #观察图片文件大小,占内存大小,图片数据结构,线性化
    print("压缩前图片大小:",milu.size)
    print("压缩前图片占用的内存:",sys.getsizeof(milu))
    print('原图片线性化为:',milu1.shape) #查看原图片线性化的结构
    print('原图片的数据结构为:',milu) #查看原图片的数据结构
    print("压缩后的图片的大小:",milus.size)
    print("压缩后的图片占用的内存:",sys.getsizeof(new_milu))
    print('原图片线性化为:',milu1.shape) #查看压缩后图片线性化的结构
    print('原图片的数据结构为:',new_milu) #查看压缩后图片的数据结构
    压缩前图片:

    压缩后图片:

     

     原图和压缩后的图的大小对比:

     

     2. 观察学习与生活中可以用K均值解决的问题。

        #判别天气状况是否去打网球

    import numpy
    import numpy as np
    from sklearn.naive_bayes import GaussianNB
    from sklearn.model_selection import train_test_split
    from sklearn.neighbors import KNeighborsClassifier
    # Sunny:1; Overcast:2; Rain:3;
    # Hot:1; Mild:2; Cool:3;
    # High:1; Normal:2;
    # Weak:1; Strong:2;
    # Yes:1; No:2;
    X = numpy.array([ #训练集(随机虚拟值,可按真实添加)
    [1, 1, 1, 1],
    [1, 1, 1, 2],
    [2, 1, 1, 1],
    [3, 2, 1, 1],
    [3, 3, 2, 1],
    [3, 3, 2, 2],
    [2, 3, 2, 2],
    [1, 2, 1, 1],
    [1, 3, 2, 1],
    [3, 2, 2, 1],
    [1, 2, 2, 2],
    [2, 2, 1, 2],
    [2, 1, 2, 1],
    [3, 2, 1, 2]])
    Y = numpy.array([2,2,1,1,1,2,1,2,1,1,1,1,1,2])
    Z = numpy.array([[1,3,1,2]]) #测试值
    data_tr,data_te,target_tr,target_te=train_test_split(X,Y,test_size=0.2,random_state=5)
    # KNN算法预算对天气状况判定是否去打网球
    knn = KNeighborsClassifier()
    knn.fit(data_tr,target_tr)
    pre1 = knn.predict(Z)
    if pre1 == 1:
    pre1 = 'Yes'
    elif pre1 == 2:
    pre1 = 'No'
    print('KNN算法预算预测的目标为:',pre1)

    预测结果如下:

     

  • 相关阅读:
    io系列浅谈
    git 删除分支--本地分支和远程分支
    提问须知
    PDF 补丁丁 0.6.2.3691 测试版发布
    PDF 补丁丁 0.6.2.3689 测试版发布
    .Net调用接口处理时间过长,前端访问超时解决方案
    Abp用多个DbContext
    IDEA 报错 Could not autowire. No beans of 'UserMapper' type found(无法自动装配。找不到类型为 'UserMapper' 的 bean)解决IDEA中自动装配,找不到类型的bean问题
    springboot整合springmvc拦截器
    springboot自动配置原理
  • 原文地址:https://www.cnblogs.com/zxf001/p/12732962.html
Copyright © 2020-2023  润新知