svm rbf人脸识别 yale_利用PCA和SVM算法建立人脸识别模型

在本文中，我们将学习使用主成分分析(PCA)和支持向量机(SVM)来建立人脸识别模型。

首先，我们来看看PCA和SVM的介绍：

主成分分析：

主成分分析(PCA)是一种机器学习算法，广泛应用于探索性数据分析和建立预测模型。它通常用于降维，方法是将每个数据点投影到前几个主成分上，以获得低维数据，同时尽可能保留数据的变化。

Matt Brems的文章(https://medium.com/u/55680478461) 全面深入地介绍了该算法。现在，让我们用更简单的术语来解释：

假设我们手头有一个问题，我们正在收集数据，而我们的数据集产生了多个变量、多个特征，它们会在不同方面影响结果。如果选择删除某些特征，又会丢失信息，而我们不希望这样，对吗？

因此，另一种减少特征数量(减少数据维数)的方法是通过提取重要信息并删除最不重要的信息来创建新的特征。这样，我们的信息就不会丢失，而特征也会减少，过拟合模型的几率也会减少。

---

支持向量机

支持向量机(SVM)是一种用于两组分类问题的有监督机器学习模型。在为每个类别提供一组带标签的训练数据后，它能够对新的测试数据进行分类。

支持向量机基于最大化间隔的平面对数据进行分类，它的决策边界是直的，是一种很好的图像分类算法。实验结果表明，支持向量机在经过3-4轮相关反馈后，其搜索精度明显高于传统的查询优化方案，对于图像分割系统也是如此，包括那些使用改进的支持向量机的系统。

Marco Peixeiro的文章(https://towardsdatascience.com/the-complete-guide-to-support-vector-machine-svm-f1a820d8af0b) 说明了需要一个最大间隔超平面来分类数据。读后你会更好地理解SVM！

---

人脸识别

人脸是由许多像素组成的高维数据。高维数据很难处理，也不能用二维数据的散点图等简单技术可视化。

我们要做的是利用PCA对数据的高维进行降维处理，然后将其输入到SVM分类器中对图像进行分类。

接下来进入编码部分！

下面的代码示例取自关于eigenfaces的sklearn文档。我们将一步一步地检查代码，以了解其复杂性和结果。

导入相关库和模块

首先导入所需的库和模块。后文将深入讨论为什么要导入它们。

import pylab as plimport numpy as npfrom matplotlib import pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import fetch_lfw_peoplefrom sklearn.model_selection import GridSearchCVfrom sklearn.metrics import classification_reportfrom sklearn.metrics import confusion_matrixfrom sklearn.decomposition import PCA as RandomizedPCAfrom sklearn.svm import SVC

将数据加载到Numpy数组中

接下