机器学习中的下采样原理及代码详解

机器学习中的下采样原理及代码详解

引用

CSDN

1.

https://blog.csdn.net/m0_71212744/article/details/140526753

下采样（Downsampling）是信号处理、图像处理和机器学习中的一个关键概念，主要通过减少数据点的数量来降低信号或图像的采样率。

一、定义与原理

定义：下采样是指通过减少数据点的数量来降低信号或图像的采样率。在图像处理中，下采样通常指的是减少图像的分辨率或尺寸，即减少图像中的像素数量。

原理：下采样的核心原理是按照一定的比率从原始数据中提取数据点。例如，在图像处理中，可以通过将原始图像划分为多个小块（如2x2、3x3等），并计算每个小块内像素值的某种统计量（如平均值、最大值等）来代表整个小块的像素值，从而实现图像的缩小。

二、下采样算法步骤

1. 确定下采样因子

首先，需要确定下采样的因子，即原始数据与新数据之间的比例关系。例如，在图像处理中，如果要将图像的宽度和高度都缩小为原来的一半，那么下采样因子就是2。

2. 选择下采样方法

根据应用场景和数据类型，选择合适的下采样方法。常见的下采样方法包括平均池化、最大池化、随机池化、高斯模糊后下采样等。

3. 执行下采样操作

1）数据划分：将原始数据按照下采样因子划分成若干个小块或区域。

2）计算代表值：对于每个小块或区域，根据所选的下采样方法计算出一个代表值。例如，在平均池化中，可以计算小块内所有值的平均值；在最大池化中，则选取小块内的最大值。

3）构建新数据：使用计算出的代表值构建新的数据集。新数据集的大小将根据下采样因子相应减小。

代码示例

import numpy as np
import matplotlib.pyplot as plt

# 随机数据
data = np.arange(1, 101)  # 创建一个简单的数据集，从1到100

# 定义下采样函数
def downsample_average(data, factor):
    """通过平均池化进行下采样"""
    return np.mean(data.reshape(-1, factor), axis=1)

downsample_factor = 10  # 下采样因子
downsampled_data = downsample_average(data, downsample_factor)

# 原始数据量与下采样后等效的数据量
original_count = len(data)
downsampled_count_equivalent = len(data) // downsample_factor  # 等效的下采样后数据量

# 使用Matplotlib绘制柱状图
fig, ax = plt.subplots()
bars = ax.bar(['Original', 'Downsampled (Equivalent)'],
              [original_count, downsampled_count_equivalent],
              color=['b', 'r'])

ax.set_xlabel('Data Type')
ax.set_ylabel('Data Count')
ax.set_title('Comparison of Original and Downsampled Data Counts')

# 在柱状图上添加具体数值
for bar in bars:
    height = bar.get_height()
    ax.annotate('{}'.format(height),
                xy=(bar.get_x() + bar.get_width() / 2, height),
                xytext=(0, 3),  # 3 points vertical offset
                textcoords="offset points",
                ha='center', va='bottom')

plt.show()