SVM实现人脸识别（超详细易懂）（一）

最新推荐文章于 2024-07-01 21:11:11 发布

莫雪雪的blog

最新推荐文章于 2024-07-01 21:11:11 发布

阅读量8.3k

点赞数 14

分类专栏：支持向量机SVM

本文链接：https://blog.csdn.net/DDWDDZY/article/details/105139895

版权

本文介绍了SVM（支持向量机）的基本原理，它是一种用于分类和回归的机器学习算法。在解决线性不可分问题时，SVM通过核函数将数据映射到高维空间。在人脸识别的应用中，文章使用PCA进行特征提取，通过GridSearchCV找到最优参数，训练SVM模型并评估预测准确率。

摘要由CSDN通过智能技术生成

机器学习的本质：从大量数据里提取出特征与相应的类别产生联系，该类别称之为标签，也就是说使得特征与对应的标签产生对应关系，从而具有识别的能力。
分类和聚类分类是已知物体的类别的标签，聚类则是数据处于无标签状态，我们把具有相似特征的物体归为同一类。分类是有监督的学习，有标签（预设标准答案）；聚类是无监督的学习，无标签。
在这里插入图片描述
SVM(Support Vector Machine)支持向量机：是机器学习里非常常见的算法，其本质是把两个不同类别的数据样本，通过找到一条理想中的最优超平面，（一个面是一条线，三维是一个面，如果是高维的则需要找到一个最优的超平面）使得后续的数据添加进来后仍然可以划分数据。理想中是找到两类数据中最中间的分界线，以上图为例，找到最接近的红点和蓝点，然后从他们中间找到最优的平面，这样的两个点称为支持向量。在这里插入图片描述
但如果是这种情况则很难找到一条线对红点蓝点进行划分。则我们需要把这样的二维问题映射到高维的空间中。比如可以想象：这里有一张桌子，红点和蓝点都可以从桌子上跳起来，蓝点比较沉，则跳的就很低，红点很轻，跳的比较高，通过这种方式，我们就可以很轻松的找到一条线，再次把红蓝点区分开来。遇到线性不可分的问题时，我们通常把这样的问题通过核函数映射到高维空间，只要维度够高，所有的问题都可以进行线性划分。在这里插入图片描述
二维映射到三维的例子

那么此时如果数据中再加入两个未知颜色的点，则位于线的上方我们就把其归于蓝色，位于线的下方则把其归于红色。
计算超平面的方法如下，其具体的数学分析我们会在下一章节描述。在这里插入图片描述
大体思路是先根据支持向量找到两个超平面，然后寻找中间的目标超平面，根据拉格朗日的对偶问题求解超平面的参数值。具体推导过程下一章节中讲。


warnings.filterwarnings("ignore")
PICTURE_PATH="C:\"
def get_Image():
	for i in range(1,41):
		for j in range(1,11):
			path=PICTURE_PATH+"\\s"+str(i)+"\\"+str(j)+".pgm"
			img=mpimg.imread(path)
			h,w=img.shape
			img_col=img.reshape(h*w)
			all_data_set.append(img_col)
			all_data_label.append(i)
	return h,w
all_data_set=[]
all_data_label=[]
h,w=get_image()
x=array