标签：避免 解决 arch 下载 分类 向量 oss AC 计算
PCA脸部识别
现在让我们用PCA来解决一个脸部识别问题。脸部识别是一个监督分类任务，用于从照片中认出某个
人。本例中，我们用剑桥大学AT&T实验室的Our Database of Faces数据集
(http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)，这个数据集包含40个人每个
人10张照片。这些照片是在不同的光照条件下拍摄的，每张照片的表情也不同。照片都是黑白的，尺
寸为92 x 112像素。虽然这些图片都不大，但是每张图片的按像素强度排列的特征向量也有10304
维。这些高维数据的训练可能需要很多样本才能避免拟合过度。而我们样本量并不大，所有我们用
PCA计算一些主成分来表示这些照片。
我们可以把照片的像素强度矩阵转换成向量，然后用所有的训练照片的向量建一个矩阵。每个照片都
是数据集主成分的线性组合。在脸部识别理论中，这些主成分称为特征脸（eigenfaces）。特征脸可
以看成是脸部的标准化组成部分。数据集中的每张脸都可以通过一些标准脸的组合生成出来，或者说
是最重要的特征脸线性组合的近似值。
数据已下载在 E:\sklearn 学习\att_faces_pca
from os import walk, path import numpy as np import PIL from Image from sklearn.cross_validation import train_test_split from sklearn.cross_validation import cross_val_score from sklearn.preprocessing import scale from sklearn.decomposition import PCA from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report
下面我们把照片导入Numpy数组，然后把它们的像素矩阵转换成向量：
X=[] y=[] path=‘E:\sklearn 学习\att_faces_pca‘ for dir_path, dir_names, file_names in walk(path): for fn in file_names: if fn[-3:] == ‘pgm‘: image_filename = dir_path+(‘\\‘)+fn img=Image.open(image_filename) img=np.array(img) img=img.reshape(10304) img=img.astype(‘float32‘) scale(img) X.append(img) y.append(dir_path)
得到X和y
将X和y转为array
X=np.array(X)
y=np.array(y)
X_train, X_test, y_train, y_test = train_test_split(X, y) #将X和y分成训练集和验证集，默认比例 75%
X_train_reduced = pca.fit_transform(X_train) X_test_reduced = pca.transform(X_test) print(‘训练集数据的原始维度是：{}‘.format(X_train.shape)) print(‘PCA降维后训练集数据是：{}‘.format(X_train_reduced.shape)) 训练集数据的原始维度是：(300, 10304) PCA降维后训练集数据是：(300, 150) classirfier=LogisticRegression() accuracies=cross_val_score(classirfier,X_train_reduced,y_train) accuracies Out[90]: array([ 0.77477477, 0.8019802 , 0.63636364]) accuracies_mean=accuracies.mean() accuracies_mean Out[92]: 0.7377062030527376
Sklearn -PCA 人脸识别 百度网盘sklearn学习API
标签：避免 解决 arch 下载 分类 向量 oss AC 计算
原文地址：https://www.cnblogs.com/vivianzy1985/p/9208933.html
