Python实现LDA和SVM支持向量机人脸识别模型(LinearDiscriminantAnalysis和SVC算法)并通过网格搜索算法寻找最优参数值项目实战

说明&＃xff1a;这是一个机器学习实战项目&＃xff08;附带数据&＃43;代码&＃43;文档&＃43;视频讲解&＃xff09;&＃xff0c;如需数据&＃43;代码&＃43;文档&＃43;视频讲解可以直接到文章最后获取。

1.项目背景

人脸识别&＃xff0c;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&＃xff0c;并自动在图像中检测和跟踪人脸&＃xff0c;进而对检测到的人脸进行脸部识别的一系列相关技术&＃xff0c;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&＃xff0c;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&＃xff0c;再通过LDA进行数据降维&＃xff0c;最后用SVM支持向量机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)&＃xff0c;&＃xff0c;数据项统计如下&＃xff1a; 

数据详情如下(部分展示)&＃xff1a;

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&＃xff1a;

 关键代码&＃xff1a;

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&＃xff1a;

 

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&＃xff1a;

从上图可以看出&＃xff0c;从上图可以看出标签共7中类别&＃xff0c;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&＃xff1a;

5.2 数据集拆分

数据集拆分&＃xff0c;分为训练集和测试集&＃xff0c;75%训练集和25%测试集。关键代码如下&＃xff1a;

5.3 LDA数据降维

使用LDA算法进行数据的降维&＃xff0c;输出如下&＃xff1a;

从上图可以看到&＃xff0c;降维后的特征个数为6&＃xff0c;训练集样本数为966。

关键代码如下&＃xff1a;

6.构建人脸识别模型

主要使用SVC算法&＃xff0c;用于目标分类。

6.1 模型构建

从上表可以看出&＃xff0c;F1分值为0.695&＃xff0c;模型效果一般。

6.2 应用网格搜索寻找最优参数值

针对模型中的参数C和gamma&＃xff0c;通过网格搜索算法寻找最优的参数值&＃xff0c;如下图所示&＃xff1a;

 

6.3 最优参数模型构建(使用LDA降维)

通过上表可以看出&＃xff0c;最优参数构建的模型F1分值为0.7191&＃xff0c;分值有一定的提升&＃xff0c;模型效果良好。

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&＃xff0c;人脸识别模型效果良好。

关键代码如下&＃xff1a;

7.2 查看是否过拟合

查看训练集和测试集的分数&＃xff1a;

 

关键代码&＃xff1a;

7.3 分类报告

人脸识别模型分类报告&＃xff1a;

从上图可以看出&＃xff0c;分类为1的F1分值为0.58&＃xff1b;分类为2的F1分值为0.74&＃xff0c;其它类型的以此类推。

8.结论与展望

综上所述&＃xff0c;本项目采用了LDA数据降维和SVM支持向量机分类模型&＃xff0c;并通过网格搜索优化算法寻找最优的参数值构建模型&＃xff0c;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&＃xff0c;项目资源如下&＃xff1a;

项目说明&＃xff1a;
链接&＃xff1a;https://pan.baidu.com/s/1dW3S1a6KGdUHK90W-lmA4w 
提取码&＃xff1a;bcbp