今天深圳有台风欸，作为北方孩子，从来没见过台风，不过我感觉没什么区别，今天用甄嬛传继续聊聊SVM支持向量机！

但是这次要用SVM做一个小小的后宫娘娘们的人脸识别💅

 后宫人脸识别——SVM算法甄别六宫粉黛

 引入库：组建「内务府技术团队」

依旧是导入相关库，米饭依旧一小碗儿

import numpy as np  # 六库总管：掌管所有数值计算
from sklearn.svm import SVC  # 皇后级别分类器
import matplotlib.pyplot as plt  # 宫廷画师，负责画像展示
from sklearn.decomposition import PCA  # 相面大师：提取人物精髓特征（其实是降维用的）
from sklearn.metrics import accuracy_score  # 司礼监：准确率计算
from sklearn.model_selection import GridSearchCV  # 网格搜索，用于参数调优
import os  # 操作系统接口，用于文件操作
from PIL import Image  # 宫廷画师的图像处理库

这里的PCA就是给数据降维用的，为什么要降维？因为人脸上的像素太多了，难道说让宫廷画师要一个一个像素点的来画吗？所以只画精髓就好了

？手头有一个我自创的拔丝煎面，是你牙齿不好吧大叔

我不行了，手头有一个我自己做的人物图像数据集，like this ↓

打开拽妃的看一下（这福气给你要不要？）

数据加载：选秀入宫，建立「绿头牌档案」（bushi，谁搞的，皇上也在里面）

def load_local_faces_dataset(dataset_path, target_size=(125, 94)):
    """
    功能：建立画像档案库

    """
    images = []      # 画像底稿（像素展开）
    faces = []       # 完整画像
    labels = []      # 存储标签
    target_names = [] # 存储各宫小主名讳
    
    # 遍历各宫院落（获取所有人物文件夹）
    person_folders = [f for f in os.listdir(dataset_path) 
                     if os.path.isdir(os.path.join(dataset_path, f))]
    person_folders.sort()  # 按位分高低排序
    
    # 为每位娘娘分配一个数字标签
    for i, person in enumerate(person_folders):
        target_names.append(person)
        person_path = os.path.join(dataset_path, person)
        
        # 获取每位娘娘的所有图像文件
        image_files = [f for f in os.listdir(person_path) 
                      if f.lower().endswith(('.png', '.jpg', '.jpeg'))]
        
        # 处理每张图像
        for image_file in image_files:
            image_path = os.path.join(person_path, image_file)
            
            try:
                # 打开图像并转换为灰度，去色留骨，突出神韵
                img = Image.open(image_path).convert('L')
                
                # 调整图像尺寸为125x94，统一规制，符合宫廷标准
                img_resized = img.resize((94, 125))  # 宽度, 高度
                
                # 转换为numpy数组
                img_array = np.array(img_resized)
                
                # 存储画像数据
                images.append(img_array.flatten())  # 大展宏图！展平为一维特征向量
                faces.append(img_array)             # 保持二维形状用于显示
                labels.append(i)                    # 添加标签
            
            # 防止错误机制，毕竟人心险恶啊~~    
            except Exception as e:
                print(f"处理图像 {image_path} 时出错: {e}")
                continue
    
    # 转换为numpy数组
    X = np.array(images)
    y = np.array(labels)
    faces = np.array(faces)
    target_names = np.array(target_names)
    
    data = {
        'data': X,
        'target': y,
        'images': faces,
        'target_names': target_names
    }
    
    return data

函数构造完了，拿画像数据集放进去试一试

# 指定数据集路径
dataset_path = "路径"

# 调用函数加载数据
data = load_local_faces_dataset(dataset_path)

X = data['data']        
y = data['target']      
faces = data['images']  
target_names = data['target_names'] 

# 显示数据形状
display(X.shape, faces.shape, y.shape)
# X.shape: (样本数, 特征数) 特征数=125×94=11750个像素
# faces.shape: (样本数, 高度, 宽度)
# y.shape: (样本数,) 每个样本的标签

# 显示娘娘名称
target_names

输出结果是：

我自己做的这个数据集一共有7个人，每人8张图，一共是56张，其实太少了，就当看个乐子

11750就是特征，这也太太太太多了，所以后面稍微降降维

现在我们随机抽取一位幸运儿先看一下

 # 随机查看一张图像
index = np.random.randint(0, len(X), size=1)[0] 

face = faces[index] 
name = y[index] # 根据索引获取名字

print(target_names[name])

display(face.shape)
plt.imshow(face, cmap='gray')

结果是：

这个熹贵妃看起来可真熹贵妃啊，下一步降维

PCA降维：相面大师「提取关键特征」

# 保留95%精髓，忽略细枝末节（保留了一点大肠的原味，才能让你知道吃的是大肠！）
pca = PCA(n_components=0.95)  
X_pca = pca.fit_transform(X)
display(X.shape, X_pca.shape)

数据分割和建模

svc = SVC()
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.2)
# 网格搜索寻找「最佳识别策略」
params = {'C': np.logspace(-3, 3, 20), 'kernel': ['rbf', 'poly', 'linear'], 'tol': [0.01, 0.001, 0.0001]}
gc = GridSearchCV(estimator=svc, param_grid=params, cv=5)
gc.fit(X_train, y_train) # 逆风如解意，容易莫摧残


svc = gc.best_estimator_
svc.fit(X_train, y_train)
print('训练数据得分：', svc.score(X_train, y_train))
print('测试数据的得分：', svc.score(X_test, y_test))

可能会认不出来是吗？会有一些差错的，毕竟....

预测验证

隔着珠帘，能否识别纯元故衣下的甄嬛？

那年杏花微雨...你说你是果郡王😭

indices = np.arange(len(X_pca))
X_train, X_test, y_train, y_test, indices_train, indices_test = train_test_split(
    X_pca, y, indices, test_size=0.2)

# 获取对应的画像
faces_test = faces[indices_test]

# 猜！
y_pred = svc.predict(X_test)

# 可视化，宫廷画师发力了
plt.figure(figsize=(5 * 2, 10 * 3))
for i in range(min(50, len(faces_test))):  
    plt.subplot(10, 5, i + 1)
    plt.imshow(faces_test[i], cmap='gray')
    plt.axis('off')
    
    # 真实的名字
    true_name = target_names[y_test[i]]
    #猜的名字
    predict_name = target_names[y_pred[i]]
    
    plt.title('True:%s\nPred:%s' % (true_name, predict_name))

plt.tight_layout()
plt.show()

can can输出结果：

坏了！没把安小鸟放在前面，一会儿她又要多想了555555

OKOK，结束了。

以上内容可能营养价值不高，属于是没班上学习之余给自己找点喜欢的事干了属于是，如果有误人子弟的地方（orz抱歉），欢迎大佬批评指正，我很乐意学习的。