names 不是可以识别的 set 选项。_支持向量机SVM 二 人脸识别 Face Recognition

人脸识别的过程，其实就是一个人脸照片和姓名匹配的过程，也就是将一些混乱的图片给分类，贴上对应的姓名。模型越好，分类的效果最好，越熟悉的人，越容易在人群中一眼认出来，大概最高的熟悉程度是化成灰都认识吧。

一、使用LFW数据库作为训练的数据集

from sklearn.datasets import fetch_lfw_people

faces = fetch_lfw_people(min_faces_per_person=60)

print(faces.target_names)

print(faces.images.shape)

fetch_lfw_people: load the labeled faces in the Wild(LFW) people dataset(classification).

这篇短文中使用的人脸数据样本来自于”Labeled Faces in the Wild (LFW)”，这是一个用于学习人脸识别问题的人脸照片数据库。这个数据库由University of Massachusetts的研究员Amherst创立和维护，数据库中包含5749个人的13233张图片。

换句话说dataset里面含有的classes有5749个，一共有13233个samples， dimensionality：5828个，features:0-255(用来表示颜色的参数R G B三原色每个参数取值范围都是0-255)

min_faces_per_person:提取的数据集中每个人将保留具有至少有min_faces_per_person个不同图片。

Returns: 返回的faces包含下面的四项内容：

data(13233,2914):返回的data那个矩阵shape为13233x2914,每一行对应一个原始尺寸为62x47的人脸图像

images(13233,62,47):每一行对应5749个人中某一个人的人脸图像数据。

target(13233,):每一个人脸图像对应的标签，从0到5478，一个数字对应一个人的ID。

Target_Names：target中的每个人的ID对应的个人的姓名，将个人ID和个人姓名一一对应起来。

DESCR:一段关于LFW数据库的描述性文字。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(3, 5) #产生三行五列个subplot.

for i, axi in enumerate(ax.flat):

axi.imshow(faces.images[i], cmap='bone')

axi.set(xticks=[], yticks=[],

xlabel=faces.target_names[faces.target[i]])

plt.show()

ndarray.flat: 把3x5的拉成一个15个elements的iterator,变成一个列，i=5时，表示的是第二行第一个位置，在这个位置上显示出来对应于faces.images中第i个图片。

举个小例子：

我们产生一个2行3列的array:

然后我们用list() function分别列出这个array以及这个array.flat之后的结果：

很明显的差别，x.flat之后它变成了一个一维的iterator, iterator is an object which used to iterate over an iterable object.