商业数据分析--人脸识别

声明

本文代码均保存在
https://github.com/super-213/business_data_analysis
有需要的可以自行下载

查看数据

import os
names = os.listdir('olivettifaces')

names[0:5]

from PIL import Image
img0 = Image.open('olivettifaces/' + names[0]) # MAC或者类unix是用一个斜杠，Windows用两个反斜杠
img0.show()

import numpy as np
img0 = img0.convert('L')
img0 = img0.resize((32, 32))
arr = np.array(img0)

arr

array([[186, 76, 73, …, 100, 103, 106],
[196, 85, 68, …, 85, 106, 103],
[193, 69, 79, …, 82, 99, 100],
…,
[196, 87, 193, …, 103, 66, 52],
[219, 179, 202, …, 150, 127, 109],
[244, 228, 230, …, 198, 202, 206]], dtype=uint8)

import pandas as pd
pd.DataFrame(arr)

arr = arr.reshape(1, -1)

print(arr)

[[186 76 73 … 198 202 206]]

print(arr.flatten().tolist())

[186, 76, 73, 87, 89…]

X = []
for i in names:
    if i.startswith("._"):  # Mac的隐藏文件 跳过
        continue
    img = Image.open('olivettifaces/' + i)
    img = img.convert('L')
    img = img.resize((32, 32))
    arr = np.array(img)
    X.append(arr.reshape(1, -1).flatten().tolist())
    print(i)

import pandas as pd
X = pd.DataFrame(X)

X

print(X.shape)

(400, 1024)

print(int(names[0].split('_')[0]))

10

y = []
for i in names:
    if i.startswith("._"):  # Mac的隐藏文件 跳过
        continue
    img = Image.open('olivettifaces/' + i)
    y.append(int(i.split('_')[0]))
    
print(y)

[10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 11, 11, 11…]

数据划分

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

PCA降维

from sklearn.decomposition import PCA
pca = PCA(n_components=100)
pca.fit(X_train)

X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)

print(X_train_pca.shape)
print(X_test_pca.shape)

(320, 100)
(80, 100)

KNN

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier()
knn.fit(X_train_pca, y_train)

y_pred = knn.predict(X_test_pca)
from sklearn.metrics import accuracy_score
print(accuracy_score(y_test, y_pred))

score = knn.score(X_test_pca, y_test)
print(score)

0.9125
0.9125

随机森林

from sklearn.ensemble import RandomForestClassifier

rm = RandomForestClassifier(random_state=42)
rm.fit(X_train, y_train)
from sklearn.metrics import classification_report, confusion_matrix

y_pred = rm.predict(X_test)
print(classification_report(y_test, y_pred))

print(accuracy_score(y_test, y_pred))

0.975

LGBM

from lightgbm import LGBMClassifier

lgbm = LGBMClassifier(random_state=42)
lgbm.fit(X_train, y_train)
y_pred = lgbm.predict(X_test)
print(classification_report(y_test, y_pred))
print(confusion_matrix(y_test, y_pred))

print(accuracy_score(y_test, y_pred))

0.8875

贝叶斯

from sklearn.naive_bayes import GaussianNB

nb = GaussianNB()
nb.fit(X_train, y_train)
y_pred = nb.predict(X_test)
print(classification_report(y_test, y_pred))
print(confusion_matrix(y_test, y_pred))

print(accuracy_score(y_test, y_pred))

0.925

SVM

from sklearn.svm import SVC

svm = SVC(random_state=42)
svm.fit(X_train, y_train)
y_pred = svm.predict(X_test)
print(classification_report(y_test, y_pred))
print(confusion_matrix(y_test, y_pred))

print(accuracy_score(y_test, y_pred))

0.95

模型横向对比

模型	特点	是否降维	测试准确率	优点	缺点
KNN	基于邻近样本投票	✔ (PCA → 100维)	0.9125	简单直观，效果较好	预测时计算量大，对高维数据敏感
随机森林	多棵决策树投票	✘ (原始 1024维)	0.9750	精度高，抗过拟合，特征重要性可解释	训练速度较慢，模型体积较大
LightGBM	基于梯度提升的树模型	✘ (原始 1024维)	0.8875	训练预测快，适合大规模数据	在小数据集上易过拟合或欠拟合
朴素贝叶斯 (GaussianNB)	基于概率的生成模型	✘	0.9250	简单快速，鲁棒性好	特征独立性假设过强，可能丢失信息
SVM (RBF kernel)	最大化间隔的判别模型	✘	0.9500	对高维小样本表现好，分类边界清晰	参数调优敏感，计算复杂度高

综合结论

• 最优结果：随机森林 (97.5%) 在未降维的高维特征下表现最好。
• 次优结果：SVM (95%) 适合这种小样本高维特征的分类。
• 轻量方案：朴素贝叶斯 (92.5%) 简单快速，适合 baseline。
• KNN (91.25%) 降维后效果不错，但预测效率差。
• LightGBM (88.75%) 对小样本不够稳定，不如 RF/SVM。

• 推荐 随机森林 / SVM，它们在小样本情况下表现最稳。
• 如果需要实时性和轻量，可以考虑 朴素贝叶斯 + PCA。