当给定一个数百的数组时，Sklearn PCA返回一个只有一个值的数组

Question

我写了一个程序，旨在根据相似性对图像进行分类：

for i in g:
    fulFi = i
    tiva = []
    tivb = []
    a = cv2.imread(i)
    b = cv2.resize(a, (500, 500))
    img2 = flatten_image(b)
    tivb.append(img2)
    cb = np.array(tivb)
    iab = trueArray(cb)
    print "Image:                      " + (str(i)).split("/")[-1]
    print "Image Size                  " + str(len(iab))
    print "Image Data:                 " + str(iab) + "n"

pca = RandomizedPCA(n_components=2)
X = pca.fit_transform(iab)
Xy = pca.transform(X)
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X, Xy.ravel())
def aip(img):
    a = cv2.imread(img)
    b = cv2.resize(a, (500, 500))
    tivb = []
    r = flatten_image(b)
    tivb.append(r)
    o = np.array(tivb)
    l = trueArray(o)
    print "Test Image:                 " + (str(img)).split("/")[-1]
    print "Test Image Size             " + str(len(l))
    print "Test Image Data:            " + str(l) + "n"
    return l

testIm = aip(sys.argv[2])
b = pca.fit_transform(testIm)
print         "KNN Prediction:             " + str(knn.predict(b))

虽然它功能完美，但它有一个错误：无论使用什么图像，它都给了我完全相同的值：

Image:                      150119131035-green-bay-seattle-nfl-1024x576.jpg
Image Size                  750000
Image Data:                 [255 242 242 ..., 148 204 191]
Test Image:                 agun.jpg
Test Image Size             750000
Test Image Data:            [216 255 253 ..., 205 225 242]
KNN Prediction:             [-255.]

和

Image:                      150119131035-green-bay-seattle-nfl-1024x576.jpg
Image Size                  750000
Image Data:                 [255 242 242 ..., 148 204 191]
Test Image:                 bliss.jpg
Test Image Size             750000
Test Image Data:            [243 240 232 ...,  13  69  48]
KNN Prediction:             [-255.]

无论使用何种图像，KNN预测始终为255。经过进一步调查，A发现问题出在我的PCA上：出于某种原因，它取了一个值为750000的数组，却返回了一个只有一个值的数组：

pca = RandomizedPCA(n_components=2)
X = pca.fit_transform(iab)
Xy = pca.transform(X)
print "Iab:                        " + str(iab)
print "Iab Type:                   " + str(type(iab))
print "Iab length:                 " + str(len(iab))

print "X Type:                     " + str(type(X))
print "X length:                   " + str(len(X))
print "X:                          " + str(X)

print "Xy Type:                    " + str(type(Xy))
print "Xy Length:                  " + str(len(X))
print "Xy:                         " + str(Xy)

给出：

Image:                      150119131035-green-bay-seattle-nfl-1024x576.jpg
Image Size                  750000
Image Data:                 [255 242 242 ..., 148 204 191]
Iab:                        [255 242 242 ..., 148 204 191]
Iab Type:                   <type 'numpy.ndarray'>
Iab length:                 750000
X Type:                     <type 'numpy.ndarray'>
X length:                   1
X:                          [[ 0.]]
Xy Type:                    <type 'numpy.ndarray'>
Xy Length:                  1
Xy:                         [[-255.]]

我的问题是为什么？X和Xy都应该有数百个值，而不仅仅是一个。我遵循的教程没有解释，文档只说transform和fit_transform都需要相同的数组格式。我该如何处理？

Answer 1

如果n_components=2，RandomizedPCA最多只保留2个组件（请参阅此处的文档）。尝试增加此值以允许选择更多组件；这应该能解决你的问题。

Answer 2

您对X = pca.fit_transform(iab)和Xy = pca.transform(X)所做的操作是错误的。

1. 您正在丢失两个图像的iab变量。你需要两个图像的扁平阵列，在for循环之外。然而在第一次迭代之后，第二次迭代将覆盖iab数组
2. 即使单独保存两个阵列，例如iab[0]和iab[1]，也需要对这两个阵列执行PCA，并使用沿变换轴表示的两个图像。不过，您需要决定使用什么来学习转换

这是示例代码：

# First initialize the PCA with desired components 
pca = RandomizedPCA(n_components=2)
# Next you need to fit data to learn the transformations
pca.fit(np.vstack(iab[0].shape(1, len(iab[0]), iab[1].shape(1, len(iab[1])))
# Finally you apply this learned transformation on input data
X[0] = pca.transform(iab[0])
X[1] = pca.transform(iab[1])

你基本上是在矩阵上学习主成分分析。行表示每个图像。你想做的是试图识别图像中哪些像素最能描述图像。为此，您需要输入许多图像，并找出哪些像素比其他像素更能区分它们。在使用拟合的方式中，您只需在1D列表中输入100个值，这实际上意味着，您有一个值代表每个图像，而您有100个图像。

同样在您的案例中，您将fit()和transform()组合在一起，这是一个有效的用例，前提是您了解它所代表的内容。不管怎样，您错过了第二个图像的转换。

如果你想了解更多关于PCA的工作原理，你可以阅读这个答案。

最后，您无法在1个训练样本和1个测试样本上学习KNN分类器！学习算法是指从大量的输入中学习。

你似乎只需要两者之间的基本距离。你需要选择一个距离度量。如果你选择使用欧几里得距离（也称为L2范数），那么这里有它的代码：

dist = numpy.linalg.norm(X[0]-X[1])

你也可以这样做：

from scipy.spatial import distance
dist = distance.euclidean(X[0], X[1])

在任何情况下，再次转换转换后的数据都没有意义，就像使用Xy = pca.transform(X)一样。这不会给你一个目标。

当你有100张图像时，你只能应用KNN之类的分类，其中50张显示"树"，其余50张显示一辆"车"。一旦你训练了模型，你就可以预测一个新的图像是一棵树还是一辆车。