| Python机器学习SVM人脸识别实例 | 您所在的位置：网站首页 › python人脸口罩识别 › Python机器学习SVM人脸识别实例 |
Python机器学习SVM人脸识别实例
|
1、前言应用
在上一篇文章中讲了一下SVM在线性可分的情况下的的基本应用，是一个分类器将两种点分类的程序。这篇文章主要讲一下SVM在线性不可分的情况下的应用建模。在机器学习中SVM中一直都是比较优秀的，在人脸识别和手写文字识别上面也算是少有对手。 现在我们就拿人脸识别在做一个应用测试，使用的数据集是sklearn中自带的图片数据，具体的下载使用下面讲。 2、线性不可分的SVM应用测试训练集：sklearn自带的人脸图片数据集。 先说一下，这个图片的数据集中得到特征值是比较多的，我们需要进行降维，用到了pca的降维方法。下面我们一步一步讲 首先介绍一下我们需要用到的几个库 12345678910 #coding:utf8from time import timeimport loggingfrom sklearn.cross_validation import train_test_splitfrom sklearn.datasets import fetch_lfw_peoplefrom sklearn.grid_search import GridSearchCVfrom sklearn.metrics import classification_reportfrom sklearn.metrics import confusion_matrixfrom sklearn.decomposition import RandomizedPCAfrom sklearn.svm import SVC logging是用来打印程序的运行日志的train_test_split大家应该都知道，是用来分割数据集的，将数据分为训练数据和测试数据 fetch_lfw_people就是我们用到的人脸数据集 GridSearchCV是寻找合适的SVM参数组合的 classfusion_report和confusion_matrix是后面用来给模型打分的 RandomizedPCA就是我们用来降维的 SVC就不用说了，我们的主 继续看代码： 12345678910111213141516171819202122 #打印日志信息logging.basicConfig(level=logging.INFO, format='%(asctime)s%(message)s') ###########################数据预处理##############################装载人脸的数据集lfw_people = fetch_lfw_people(min_faces_per_person=70, resize=0.4)print lfw_people n_samples, h, w = lfw_people.images.shape #实例数(图片数)、h、wprint n_samples,h,w X = lfw_people.data #所有的训练数据,1288张图片，每张图片1850个特征值print "训练数据的X.shape:", X.shape n_features = X.shape[1] #特征向量的维度1850 Y = lfw_people.target #对应的人脸标记target_names = lfw_people.target_namesprint "需要识别的人名字：",target_namesn_classes = target_names.shape[0] #几个人需要识别#分割训练集和测试集X_train,X_test,y_train,y_test = train_test_split(X, Y, test_size=0.25)注意一下fetch_lfw_people这一行，我们是加载图片数据的，在第一次运行的时候电脑上是没有这些图片数据的，程序会自带去网上下载，下载所需的时间比较长，大小在200+M。下载后的图片默认保存位置在C:\Users\kTWO\scikit_learn_data\lfw_home\lfw_funneled，其中kTWO是我电脑的用户名，你懂得。 上面的代码就是对数据集进行的预处理，当然这个数据集是比较完整的，我们主要干了个分割的事情，将0.75的数据集分割成了训练集，0.25的测试集。另外我们还发现，特征向量的维度高达1850，这个数值太大了，有很多都是无用的特征值，所以我们下面就要进行降维处理。 降维主要分为两个步骤： 1、使用无监督学习简历PCA模型。2、视频PCA模型对数据进行降维。 看代码： 12345678910111213141516171819202122232425262728293031323334353637 #############################降维度##################################### n_components= 150 #降维的参数，组成元素的数量，即保留下来的特征个数t0 = time()#随机将高维的特征向量降低为低维的,先建立模型pca = RandomizedPCA(n_components=n_components,whiten=True).fit(X_train)print ("time:%0.3fs" % (time()-t0))print pca#提取人脸的特征值#eigenface = pca.components_.reshape((n_components, h, w))#print pca.components_ #使用进行数据模型降维,降成了150t0 = time()X_train_pca = pca.transform(X_train)X_test_pca = pca.transform(X_test)print X_train_pca.shapeprint X_test_pca.shapeprint ("time:%0.3fs" % (time()-t0))代码中的n_comonents参数就是我们要降成的维度，这个降维使用的是随机降维。PCA模型建立好之后就可以执行pac.transform进行数据降维了。 数据已经准备好了，下一步就可以进行建立SVM模型的建立了。建模的时候要注意一点，有两个参数需要填写，C参数和gamma参数，这两个参数是不确定的，我们会给定几个数值，使用GridSearchCV进行自由组合，最终确定合适的组合。 看建模代码： print "开始建模"t0 = time()#C 是对错误部分的惩罚；gamma 合成点param_grid = {'C': [1e3, 5e3, 1e4, 5e4, 1e5], 'gamma': [0.0001, 0.0005, 0.001, 0.005,0.01, 0.1],}#rbf处理图像较好，C和gamma组合，琼剧出最好的一个组合clf = GridSearchCV(SVC(kernel='rbf', class_weight='auto'), param_grid)print clf#建模clf = clf.fit(X_train_pca, y_train)print ("time:%0.3fs" % (time()-t0))print clf.best_estimator_ #最好的模型的信息在模型建立好之后，打印clf.best_estimator_可以看到这个模型的SVM的参数信息。 ok，下一步我们就使用测试集进行人脸的识别预测。 代码： 12345678910 #############################数据预测#################################t0 = time()y_pred = clf.predict(X_test_pca)print ("time:%0.3fs" % (time()-t0))#打印预测成绩报告print classification_report(y_test,y_pred,target_names=target_names)#打印预测成绩混淆矩阵print confusion_matrix(y_test,y_pred,labels=range(n_classes))print y_testprint y_pred看一下预测的结果： classification_report结果：
解释一下，precision是预测的准确率，recall是召回率f1-score是一个兼顾考虑了Precision和Recall的评估指标。他们的数值越接近1说明预测的越准。 confusion_matrix混淆矩阵验证结果：
在这个矩阵中，如果全部都是100%预测，那么数据应该都排列在对角线上，也就是说，每一个行列对应之后就会在对角线上+1，可已看出，第一行上有15个预测正确，另外有9个预测失败，这个正确率比较低，不过剩下的几个就比较高了。 收 藏 |
【本文地址】