知识卡片
Eigenfaces类投影与距离度量
人脸识别类 Eigenfaces 把散落的函数集中起来:初始化时设定 eps=1e−16、样本列表 X、标签 y、矩阵 Mat、特征值 eig_v、特征向量 eig_vect、均值 mu、投影 projections 和距离函数 dist_metric。compute 先调用 PCA 生成子空间,再把 X 中每张图片投影到该子空间并存入 projections,于是训练集变成一组低维向量。project 的实现是:若 mu 为空则直接 np.dot(XI, eig_vect),否则对 XI 减去均值再乘 eig_vect,减均值相当于把数据移到以原点为中心,保证投影坐标是相对均值的主成分方向。两张脸的相似度用距离度量:distEclud 返回 linalg.norm(vecA−vecB)+eps 的欧氏距离;cosSim 用向量点积除以两者范数乘积加 eps 得到夹角余弦,从方向而非长度上比较。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第9章 人脸识别中的机器学习 · 查看原书依据
def compute(self): self.PCA() # 生成PCA子空间 for xi in self.X: # 将所有图片都投影到这个子空间中 self.projections.append(self.project(xi.reshape(1,-1)))
参考来源
- 位置:《机器学习算法原理与编程实践》第9章 人脸识别中的机器学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00031.html)
- 结论依据:原文给出 Eigenfaces 的属性、compute 的投影循环、project 的减均值投影和两种距离函数,支撑对类结构、投影含义与度量方式的解释。
- 原始内容:def compute(self): self.PCA() # 生成PCA子空间 for xi in self.X: # 将所有图片都投影到这个子空间中 self.projections.append(self.project(xi.reshape(1,-1)))