1.导入相应包
from sklearn.datasets import load_digits from sklearn.decomposition import PCA from matplotlib import pyplot as plt import numpy as np 1234
2.准备数据集
digits = load_digits() digits.data.shape 12
返回(1797, 64)，说明是由1797张长宽为8*8的照片。
3.绘制原始数据集
def plot_digits(data): fig, axes = plt.subplots(4, 10, figsize=(20, 8), subplot_kw={'xticks': [], 'yticks': []}) for i, ax in enumerate(axes.flat): ax.imshow(data[i].reshape(8, 8), cmap='binary') plot_digits(digits.data) plt.savefig(r"C:Users86377Desktop1.png") 123456
最后显示的图片如下：
4.添加高斯噪声
rng = np.random.RandomState(42) noisy = rng.normal(digits.data, 2) plot_digits(noisy) plt.savefig(r"C:Users86377Desktop2.png") plt.show() 12345
添加噪声后的图片如下：
我们可以看到添加了噪声的图片模糊了很多。
5.还原
without_noisy = pca.inverse_transform(X_dr) plot_digits(without_noisy) plt.savefig(r"C:Users86377Desktop2.png") 123
这里我们得到的图像：
可以看到和原始图片相近，起到了过滤噪声的作用。
