採用sklearn 自帶的8*8的0~9數據進行實驗測試。
經過試驗測試,發現前面15個奇異值已經足夠可以代表整個64維度的特徵。
[567.0065665 542.25185421 504.63059421 426.11767607 353.33503235
325.82036394 305.2615743 281.16032764 269.06977678 257.82394749
226.31876461 221.5131726 198.32643774 195.69042567 177.97382911]
[0.14890594 0.13618771 0.11794594 0.08409979 0.05782415 0.0491691
0.04315987 0.03661372 0.03353248 0.03078806 0.0237234 0.02272663
0.01821785 0.01773679 0.01467061]
0.8353020343709757
已經達到83%,可以了。
下面將此結果用t-SNE展示效果,其實這個流形也有降維的功能,但前提是特徵表示一定要好,不然也是白費。
0.8750658820268782
0.8942929119088475
效果都差不多,就這樣吧,拜拜。有事沒事找我玩啊。
補充:採用之前提取的inceptionV3 1視頻與0視頻進行嘗試。
發現2048PCA2000後已經是99%,這樣其實還可以再降低,甚至1000維度仍舊是99%,還可以再降低
500時 0.9736258
200,0.8861304
150,0.8448606
120, 0.80900913
80, 0.73717004
雖然t-SNE的結果並不理想,但PCA的結果是沒什麼太大的問題的。
其實我仍舊認爲這並沒有分開,原因是僅僅是圖像的特徵,並沒有其他特徵。
另外有相關問題可以加入QQ羣討論,不設微信羣
QQ羣:868373192
語音圖像視頻深度-學習羣