4.K值算法应用
1. 应用K-means算法进行图片压缩。
读取一张图片
观察图片文件大小,占内存大小,图片数据结构,线性化
用kmeans对图片像素颜色进行聚类
获取每个像素的颜色类别,每个类别的颜色
压缩图片生成:以聚类中收替代原像素颜色,还原为二维
观察压缩图片的文件大小,占内存大小
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
from sklearn.datasets import load_sample_image import matplotlib.pyplot as plt from sklearn.cluster import KMeans from pylab import mpl import sys import numpy as np import matplotlib.image as img # 指定字体,解决plot不能显示中文的问题 mpl.rcParams[ 'font.sans-serif' ] = [ 'SimHei' ] china = load_sample_image( "china.jpg" ) # 读取一张图片 plt.imshow(china) plt.title( "原图片" ) plt.show() # 显示图片 img.imsave( 'D://img//china.jpg' , china) print ( "图片占内存大小" , sys.getsizeof(china)) print ( "图片数据结构" , china.shape) image = china[:: 3 , :: 3 ] print ( "降低分辨率后图片的数据结构" , image.shape) x = image.reshape( - 1 , 3 ) # 线性化 print ( "线性化后的数据结构" , x.shape) # 用kmeans对图片像素颜色进行聚类 n_colors = 64 # (255,255,255) model = KMeans(n_colors) # 64类聚类中心 labels = model.fit_predict(x) # 每个像素的颜色类别 print ( "每个像素的颜色类别的数据结构" , labels.shape) colors = model.cluster_centers_ # 每个类别的颜色 print ( "每个类别的颜色的数据结构" , colors.shape) new_image = colors[labels] # 以聚类中收替代原像素颜色 new_image = new_image.reshape(image.shape) # ,还原为二维数组 print ( "压缩图片占内存大小" , sys.getsizeof(new_image)) # 压缩图片占内存大小 new_image = new_image.astype(np.uint8) plt.imshow(new_image) plt.title( "压缩后的图片" ) plt.show() # 显示图片 img.imsave( 'D://img//new_china.jpg' , new_image) # 保存图片,查看压缩图片的文件大小 |
2. 观察学习与生活中可以用K均值解决的问题。
从数据-模型训练-测试-预测完整地完成一个应用案例。
这个案例会作为课程成果之一,单独进行评分。
from sklearn.cluster import KMeans #导入kmeans算法 airline_scale = np.load('../tmp/airline_scale.npz')['arr_0'] k = 5 ## 确定聚类中心数 #构建模型 kmeans_model = KMeans(n_clusters = k,n_jobs=4,random_state=123) fit_kmeans = kmeans_model.fit(airline_scale) #模型训练 kmeans_model.cluster_centers_ #查看聚类中心 kmeans_model.labels_ #查看样本的类别标签 #统计不同类别样本的数目 r1 = pd.Series(kmeans_model.labels_).value_counts() print('最终每个类别的数目为:\n',r1)