支持向量机SVM——人脸识别

# !/usr/bin/env python
# -*- coding: utf-8 -*-
# Author: Tanghong

# 在python2.x版本中要使用Python3.x的特性可以使用__future__模块导入相应的接口，减少对当前低版本影响
# from __future__ import print_function

# 计时，程序运行时间
from time import time
# 打印程序进展时的一些信息
import logging
# 最后识别出来的人脸通过绘图打印出来
import matplotlib.pyplot as plt

from PIL import Image
from scipy import ndimage

# 当import 一个模块比如如下模块cross_validation时，会有删除横线，表示该模块在当前版本可能已经被删除在新版本中改为model_selection模块
# DeprecationWarning: This module was deprecated in version 0.18 in favor of the model_selection
# module into which all the refactored classes and functions are moved.
# Also note that the interface of the new CV iterators are different from that of this module.
# This module will be removed in 0.20.“This module will be removed in 0.20.“ DeprecationWarning）
# from sklearn.cross_validation import train_test_split
from sklearn.model_selection import train_test_split
from sklearn.datasets import fetch_lfw_people
# grid_search已经被移除
# from sklearn.grid_search import GridSearchCV
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report
# Class RandomizedPCA is deprecated; RandomizedPCA was deprecated in 0.18 and will be removed in 0.20.
# Use PCA（svd_solver=‘randomized‘） instead. The new implementation DOES NOT store whiten ‘‘components_‘‘.
# Apply transform to get them.
from sklearn.decomposition import PCA
from sklearn.svm import SVC
# 导入混淆矩阵模块confusion_matrix（）
from sklearn.metrics import confusion_matrix

print（__doc__）

# Display progress logs on stdout程序进展的信息打印出来
logging.basicConfig（level=logging.INFO format=‘%（asctime）s %（message）s‘）

###############################################################################
# Download the data if not already on disk and load it as numpy arrays
# 下载人脸库 http://vis-www.cs.umass.edu/lfw/
lfw_people = fetch_lfw_people（min_faces_per_person=80 resize=0.4）

# introspect the images arrays to find the shapes （for plotting）
n_samples h w = lfw_people.images.shape

# for machine learning we use the 2 data directly （as relative pixel
# positions info is ignored by this model）
# 获取特征向量矩阵
X = lfw_people.data
# 特征向量的维度（列数）或者称特征点的个数
n_features = X.shape[1]

# the label to predict is the id of the person
# 返回每一组的特征标记
y = lfw_people.target
target_names = lfw_people.target_names
# 返回多少类（多少行），也就是多少个人进行人脸识别
n_classes = target_names.shape[0]

print（“Total dataset size:“）
print（“n_samples: %d“ % n_samples）
print（“n_features: %d“ % n_features）
print（“n_classes: %d“ % n_classes）

###############################################################################
# Split into a training set and a test set using a stratified k fold
# split into a training and testing set
# 将数据集拆分成四个部分
X_train X_test y_train y_test = train_test_split（X y test_size=0.25）

###############################################################################
# PCA降维方法，减少特征