SVM人脸识别

SVM在中等维度的分类问题中，有较好的表现，其在某种程度上构建了一个简单的网络结构，类似于神经网络中的RBF神经网络。

人脸数据集是经典的分类和聚类问题中经常使用的数据集，维度相对不高，灰度图像，这里选用64*64的人脸图像，将其reshape从1*64^2的一维数组，共40类样本，每组10个。

通常在SVM解决较高维度问题时，需要将其适度降维，这里选用传统的线性降维方法PCA（KPCA同样适用，只是人脸数据集PCA已经够用，不用换成更复杂的非线性降维）。

• 导入相关模块；
• 获取数据；
• 标准化（这里可以不用，图像数据一般已经是标准的）
• 比较降维到不同的维度下，各自的效果对比（这时SVM的参数不变，选用RBF核函数）
• 用网格搜索最佳的pca参数和SVM参数，效果演示。

以下为实验代码模块

（1）导入模块

# -*-encoding:utf-8-*-
'''
created by zwg in 2017-03-01
'''
import numpy,time
from sklearn import datasets
from sklearn import svm
from sklearn import decomposition
from sklearn import manifold
from sklearn.cross_validation import train_test_split as tts
from sklearn import svm,neural_network
from sklearn.metrics import classification_report,precision_score,recall_score,f1_score
from sklearn import pipeline
from sklearn.preprocessing import StandardScaler,MinMaxScaler
from sklearn.grid_search import GridSearchCV
from matplotlib import pyplot
import matplotlib.colors as colors

（2）获取数据

def get_data():
    face_data=datasets.fetch_olivetti_faces()
    #face_data=datasets.load_iris()
    data=face_data.data
    target=face_data.target
    return data,target

（3）PCA函数

def pca(x,n):
    pca_learner=decompositi