Dieses Beispiel zeigt die Verwendung von Baumwäldern, um die auf Verunreinigung basierende Bedeutung der Pixel in einer Bildklassifizierungsaufgabe (Gesichter) zu bewerten. Je heißer das Pixel, desto wichtiger.

Der folgende Code veranschaulicht auch, wie die Konstruktion und Berechnung der Vorhersagen innerhalb mehrerer Jobs parallelisiert werden kann.

Pixelbedeutungen bei Baumwäldern

Aus:

Fitting ExtraTreesClassifier on faces data with 1 cores...
done in 2.008s
print(__doc__)

from time import time
import matplotlib.pyplot as plt

from sklearn.datasets import fetch_olivetti_faces
from sklearn.ensemble import ExtraTreesClassifier

# Number of cores to use to perform parallel fitting of the forest model
n_jobs = 1

# Load the faces dataset
data = fetch_olivetti_faces()
X, y = data.data, data.target

mask = y < 5  # Limit to 5 classes
X = X[mask]
y = y[mask]

# Build a forest and compute the pixel importances
print("Fitting ExtraTreesClassifier on faces data with %d cores..." % n_jobs)
t0 = time()
forest = ExtraTreesClassifier(n_estimators=1000,
                              max_features=128,
                              n_jobs=n_jobs,
                              random_state=0)

forest.fit(X, y)
print("done in %0.3fs" % (time() - t0))
importances = forest.feature_importances_
importances = importances.reshape(data.images[0].shape)

# Plot pixel importances
plt.matshow(importances, cmap=plt.cm.hot)
plt.title("Pixel importances with forests of trees")
plt.show()

Gesamtlaufzeit des Skripts: ( 0 Minuten 2,328 Sekunden)

Startordner

Download Python source code: plot_forest_importances_faces.py

Download Jupyter notebook: plot_forest_importances_faces.ipynb