LFW人脸数据库的简介
LFW (Labled Faces in the Wild)人脸数据集：是目前人脸识别的常用测试集，其中提供的人脸图片均来源于生活中的自然场景，因此识别难度会增大，尤其由于多姿态、光照、表情、年龄、遮挡等因素影响导致即使同一人的照片差别也很大。并且有些照片中可能不止一个人脸出现，对这些多人脸图像仅选择中心坐标的人脸作为目标，其他区域的视为背景干扰。LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。
导入包
# 绘制图像
import matplotlib.pyplot as plt
import numpy as np
# 数据降维
from sklearn.svm import SVC
# 数据拆分
from sklearn.model_selection import train_test_split as ts
# 计算模型的得分
from sklearn.metrics import accuracy_score
# 加载数据
from sklearn import datasets
# 网格搜索
from sklearn.model_selection import GridSearchCV
加载数据
# 加载人脸数据 labled faces wilddata = datasets.fetch_lfw_people(resize=1, min_faces_per_person=70)x = data['data']
y = data['target']
faces = data['images']
# 像素不同，不同特征也就越多，这个时候就需要用到降维
display(x.shape, faces.shape, y.shape)
target_names = data['target_names']
target_names
数据查看
# 数据查看
index = np.random.randint(0, 1288, size=1)[0]
face = faces[index]
name = y[index]print(target_names[name])
display(face.shape)
plt.imshow(face)
PCA 数据降维
%%time
# 进行数据的降维
from sklearn.decomposition import PCApca = PCA(n_components=0.95)
X_pca = pca.fit_transform(x)
display(x.shape, X_pca.shape)
超参数选择
%%time
svc = SVC()
x_train, x_test, y_train, y_test = ts(X_pca, y, test_size=0.2, random_state=512)
prams = {'C': np.logspace(-3, 3, 20),'kernel': ['rbf', 'poly', 'linear'],'tol': [0.01, 0.001, 0.0001]
}
gc = GridSearchCV(estimator=svc, param_grid=prams, cv=5)
gc.fit(x_train, y_train)
# 获取最佳参数
gc.best_params_
使用最好的模型进行复训
# 使用最好的模型进行复训
best_model = gc.best_estimator_best_model.fit(x_train, y_train)
获取得分
print('训练模型得分是：', best_model.score(x_train, y_train))
print('测试集模型得分：', best_model.score(x_test, y_test))
face_train,face_test = ts(faces, test_size=0.2, random_state=512)
# y_test真实的标签
face_predict = best_model.predict(x_test)
print(face_predict)
print(y_test)
print(target_names)
accuracy_score(y_test, face_predict)
数据可视化
plt.figure(figsize=(5 * 2, 10 * 3))
for i in range(50):plt.subplot(10, 5, i + 1)plt.imshow(face_test[i], cmap='gray')plt.axis('off')predict = target_names[face_predict[i]].split(' ')[-1]true = target_names[y_test[i]].split(' ')[-1]plt.title(f'True{true}\nPred:{predict}')
