SVM实现人脸识别

1.导入数据包

import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.model_selection import GridSearchCV

2.加载数据集

导入sklearn中的人脸数据，需要越过那堵墙，否则会报错。

data = datasets.fetch_lfw_people(resize = 1, min_faces_per_person = 70)
data

取出其中的数据进行查看：

X = data['data']
y = data['target']
faces = data['images']
target_names = data['target_names']
display(X.shape,y.shape,faces.shape,target_names)

随机取出一个人脸：

# 随机选取一个人的图片并通过索引获取名字
index = np.random.randint(0,1288,size = 1)[0]
face = faces[index]
#根据索引获取名字
name = y[index]
print(target_names[name])
display(face.shape)
plt.imshow(face, cmap = 'gray')

plt.imshow()

• X：输入数据。可以是二维数组、三维数组、PIL图像对象、matplotlib路径对象等。
• cmap：颜色映射。用于控制图像中不同数值所对应的颜色。可以选择内置的颜色映射，如gray、hot、jet等，也可以自定义颜色映射。
• norm：用于控制数值的归一化方式。可以选择Normalize、LogNorm等归一化方法。
• aspect：控制图像纵横比（aspect ratio）。可以设置为auto或一个数字。
• interpolation：插值方法。用于控制图像的平滑程度和细节程度。可以选择nearest、bilinear、bicubic等插值方法。
• alpha：图像透明度。取值范围为0~1。
• origin：坐标轴原点的位置。可以设置为upper或lower。
• extent：控制显示的数据范围。可以设置为[xmin, xmax, ymin, ymax]。
• vmin、vmax：控制颜色映射的值域范围。
• filternorm 和 filterrad：用于图像滤波的对象。可以设置为None、antigrain、freetype等。
• imlim： 用于指定图像显示范围。
• resample：用于指定图像重采样方式。
• url：用于指定图像链接。

3.直接使用SVM模型建模
由于原来的数据很大，而且数据量多，我们首先对原始数据进行PCA降维

%%time
# 由于原来的数据很大，而且数据量多，我们首先对原始数据进行PCA降维
## %%time
# 进行数据的降维
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X)
display(X.shape,X_pca.shape)

在jupyter遇到 UsageError: Line magic function `%%time` not found.时，要把%%time放在这个代码块的首行顶格

然后对降维后的数据集进行训练和预测结果：
其中的C代表的是惩罚系数，用来防止过拟合，我们先用默认的初始值测试下性能

%%time

# 降维之后的数据
X_train,X_test,y_train,y_test,faces_train,faces_test = train_test_split(X_pca,y,faces)
# C为惩罚项，越大，容忍错误越小
# C越大，趋势：想方设发，把数据分开，容易造成过拟合
svc = SVC(C=1)
svc.fit(X_train,y_train)
# 训练数据效果很好，测试数据效果不好就是过拟合现象
print('训练数据的得分：',svc.score(X_train,y_train))
print('测试数据的得分：',svc.score(X_test,y_test))
# 算法的预测值
y_pred = svc.predict(X_test)

4.数据可视化

然后我们随机加载50张图片，并可视化查看预测结果

plt.figure(figsize=(5 * 2, 10 * 3))
for i in range(50):
    plt.subplot(10,5,i+1) # 子视图
    plt.imshow(faces_test[i],cmap = 'gray')
    plt.axis('off') # 刻度关闭
    # 贴上标签，并且对比实际数据和预测数据
    true_name = target_names[y_test[i]].split(' ')[-1]
    predict_name = target_names[y_pred[i]].split(' ')[-1]
    plt.title(f'True:{true_name}\nPred:{predict_name}')

plt.figure()

• num : 图像编号或名称，数字为编号，字符串为名称
• figsize : 指定figure的宽和高，单位为英寸
• dpi : 指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80
• facecolor : 背景的颜色
• edgecolor : 边框颜色
• frameon : 是否显示边框

plt.subplot(nrows, ncols, index)

• 第一个代表行数
• 第二个代表列数
• 第三个代表索引位置。

预测结果如下（红框代表预测错误）：

预测错误占比：16/50

5.网络搜索优化确定最佳性能

# 从结果来看，预测效果并不是很好,sklearn为我们集成好了网络搜索确定最佳性能的方法，
# 只要吧要传进的参数填进去，它会为我们自动搭配获得最优参数。
%%time
svc = SVC()
# C为惩罚系数(防止过拟合)，kernel为核函数类型，tol为停止训练的误差值、精度
params = {'C':np.logspace(-10,10,50),'kernel':['linear', 'poly', 'rbf', 'sigmoid'],'tol':[0.01,0.001,0.0001]}
gc = GridSearchCV(estimator = svc,param_grid = params,cv = 5)
gc.fit(X_pca,y)
gc.best_params_

从结果可以看出：

最优惩罚系数C为0.014563484775012445

最优核函数类型是linear线性模型

最优精度为0.001.

6.使用最佳性能SVM建模

svc = SVC(C = 0.014563484775012445,kernel='linear',tol = 0.01)
# 随机划分的
X_pca_train,X_pca_test,y_train,y_test, faces_train,faces_test = train_test_split(X_pca,y,faces)
svc.fit(X_pca_train,y_train)
print('训练数据得分：',svc.score(X_pca_train,y_train))
print('测试数据的得分：',svc.score(X_pca_test,y_test))

y_pred = svc.predict(X_pca_test)
plt.figure(figsize=(5 * 2, 10 * 3))
for i in range(50):
    plt.subplot(10,5,i + 1) # 子视图
    plt.imshow(faces_test[i],cmap = 'gray')
    plt.axis('off') # 刻度关闭
    # 贴上标签，并且对比实际数据和预测数据
    true_name = target_names[y_test[i]].split(' ')[-1]
    predict_name = target_names[y_pred[i]].split(' ')[-1]
    plt.title(f'True:{true_name}\nPred:{predict_name}')

预测结果如下：

预测错误占比：5/50，大大提升了准确率。

优化后的完整代码：

from sklearn.decomposition import PCA
import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.model_selection import GridSearchCV

data = datasets.fetch_lfw_people(resize = 1, min_faces_per_person = 70)

# 进行数据的降维
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X)
display(X.shape,X_pca.shape)

svc = SVC()
# C为惩罚系数(防止过拟合)，kernel为核函数类型，tol为停止训练的误差值、精度
params = {'C':np.logspace(-10,10,50),'kernel':['linear', 'poly', 'rbf', 'sigmoid'],'tol':[0.01,0.001,0.0001]}
gc = GridSearchCV(estimator = svc,param_grid = params,cv = 5)
gc.fit(X_pca,y)
gc.best_params_

svc = SVC(C = 0.014563484775012445,kernel='linear',tol = 0.01)
# 随机划分的
X_pca_train,X_pca_test,y_train,y_test, faces_train,faces_test = train_test_split(X_pca,y,faces)
svc.fit(X_pca_train,y_train)
print('训练数据得分：',svc.score(X_pca_train,y_train))
print('测试数据的得分：',svc.score(X_pca_test,y_test))
y_pred = svc.predict(X_pca_test)

plt.figure(figsize=(5 * 2, 10 * 3))
for i in range(50):
    plt.subplot(10,5,i + 1) # 子视图
    plt.imshow(faces_test[i],cmap = 'gray')
    plt.axis('off') # 刻度关闭
    # 贴上标签，并且对比实际数据和预测数据
    true_name = target_names[y_test[i]].split(' ')[-1]
    predict_name = target_names[y_pred[i]].split(' ')[-1]
    plt.title(f'True:{true_name}\nPred:{predict_name}')