Python实现LDA和KNN人脸识别模型(LinearDiscriminantAnalysis和KNeighborsClassifier算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。

本项目先对人脸数据进行读取和处理，再通过LDA进行数据降维，最后用K近邻算法搭建模型进行人脸识别。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，，数据项统计如下：

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

 关键代码：

4.探索性数据分析

4.1 显示第一张图片

用Matplotlib工具的imshow()方法进行图片的显示：

 

4.2 y变量分组统计柱状图

用Matplotlib工具的plot()方法绘制柱状图：

 从上图可以看出，从上图可以看出标签共7中类别，其中第3类的数量最多。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

数据集集拆分，分为训练集和测试集，75%训练集和25%测试集。关键代码如下：

5.3 LDA数据降维

使用LDA算法进行数据的降维，输出如下：

从上图可以看到，降维后的特征个数为6，训练集样本数为966。

关键代码如下：

6.构建人脸识别模型

主要使用KNeighborsClassifier算法，用于目标分类。

6.1 模型构建(不使用LDA降维)

6.2 模型构建(使用LDA降维)

 

从上表可以看出，使用LDA进行数据降维后，F1分值提升较多。

6.3 应用网格搜索寻找最优参数值

针对模型中的参数n_neighbors，通过网格搜索算法寻找最优的参数值，如下图所示：

 6.4 最优参数模型构建(使用LDA降维)

通过上表可以看出，最优参数构建的模型 F1分值有一点的提升。

7.模型评估

7.1评估指标及结果

评估指标主要包括准确率、查准率、召回率、F1分值等等。

 

从上表可以看出，人脸识别模型效果良好。

关键代码如下：

7.2 查看是否过拟合

查看训练集和测试集的分数：

关键代码：

7.3 分类报告

人脸识别模型分类报告：

从上图可以看出，分类为1的F1分值为0.52；分类为2的F1分值为0.73，其它类型的以此类推。

8.结论与展望

综上所述，本项目采用了LDA数据降维和KNN分类模型，并通过网格搜索优化算法寻找最优的参数值构建模型，最终证明了我们提出的模型效果良好。 

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：

# 链接：https://pan.baidu.com/s/1rXdQoJ2CLQe1DvVYDLwrgQ 
# 提取码：ee5i

# 用Pandas工具查看数据
print(df.head())

# 展示图片
data_image = df.drop(columns=['y']).values  # 获取图片数据
plt.imshow(data_image[0].reshape((50, 37)), cmap=plt.cm.gray)  # 展示第一张图片
plt.title(df['y'][0])  # 设置标题
plt.xticks(())  # x轴刻度设为空
plt.yticks(())  # y轴刻度设为空
plt.show()  # 展示图片

# y变量分组统计柱状图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
# kind='bar' 绘制柱状图
df['y'].value_counts().plot(kind='bar')
plt.xlabel("y")  # 设置x名称