Python人工智能技術(shù)與應(yīng)用 課件 8.【課件】3-2 完成基于KNN的人臉識(shí)別實(shí)訓(xùn)

《Python人工智能技術(shù)與應(yīng)用》能力模塊三掌握機(jī)器學(xué)習(xí)技術(shù)的基礎(chǔ)應(yīng)用任務(wù)二完成基于KNN的人臉識(shí)別實(shí)訓(xùn)TaskImport任務(wù)導(dǎo)入現(xiàn)市場(chǎng)部門(mén)已經(jīng)提供了準(zhǔn)確可靠的汽車(chē)產(chǎn)品競(jìng)品分析，公司根據(jù)市場(chǎng)情況以及自身資源制定了無(wú)人駕駛開(kāi)發(fā)的項(xiàng)目。出于安全考慮和法律要求，國(guó)家規(guī)定所有的自動(dòng)駕駛車(chē)輛必須搭載人臉識(shí)別系統(tǒng)。你作為該無(wú)人駕駛汽車(chē)制造廠商的無(wú)人駕駛系統(tǒng)開(kāi)發(fā)小組中的感知算法工程師，主要職責(zé)是基于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)技術(shù)，訓(xùn)練和優(yōu)化算法模型，提高感知算法的準(zhǔn)確度和效率?，F(xiàn)需要你使用機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)駕駛員人臉的識(shí)別，提供駕駛員身份安全認(rèn)證服務(wù)。素養(yǎng)目標(biāo)引導(dǎo)問(wèn)題的過(guò)程中，培養(yǎng)學(xué)生形成勤于思考的能力獲得分析解決問(wèn)題以及多元化思考解決問(wèn)題的方法，形成創(chuàng)新意識(shí)。TaskObject任務(wù)目標(biāo)知識(shí)目標(biāo)了解機(jī)器學(xué)習(xí)分類算法的定義和流程。了解主流的分類算法。了解最近鄰算法(KNN)的定義。了解最近鄰算法(KNN)的適用情形和適用場(chǎng)景。了解最近鄰算法(KNN)和K-means算法的聯(lián)系和區(qū)別。技能目標(biāo)能夠思考并確立基于KNN算法實(shí)現(xiàn)人臉識(shí)別的思路。掌握使用sklearn庫(kù)實(shí)現(xiàn)對(duì)人臉識(shí)別數(shù)據(jù)進(jìn)行處理。了解人臉識(shí)別技術(shù)在自動(dòng)駕駛中的應(yīng)用，培養(yǎng)主動(dòng)探究，聯(lián)系實(shí)際的職業(yè)精神。新

授機(jī)器學(xué)習(xí)分類算法的定義與流程01CONTENTS目錄主流分類算法02最近鄰算法(KNN)定義與適用場(chǎng)景03人臉識(shí)別技術(shù)在自動(dòng)駕駛中的應(yīng)用04基于KNN算法的人臉識(shí)別項(xiàng)目實(shí)現(xiàn)0501機(jī)器學(xué)習(xí)分類算法的定義與流程分類算法是指通過(guò)對(duì)帶標(biāo)簽數(shù)據(jù)集的分析，從中發(fā)現(xiàn)訓(xùn)練集特征到訓(xùn)練集標(biāo)簽的規(guī)則，使用所學(xué)習(xí)到的規(guī)則去預(yù)測(cè)新數(shù)據(jù)的類別的機(jī)器學(xué)習(xí)算法。白羊群中分類出黑羊（一）分類算法的定義01學(xué)習(xí)數(shù)據(jù)特征和標(biāo)簽之間的聯(lián)系。即歸納、分析訓(xùn)練集，找到合適的分類器，建立分類模型得到分類規(guī)則。1.“學(xué)習(xí)步”對(duì)新數(shù)據(jù)進(jìn)行類別預(yù)測(cè)。即用已知的測(cè)試集來(lái)檢測(cè)分類規(guī)則的準(zhǔn)確率，若準(zhǔn)確度可以接受，則使用訓(xùn)練好的模型對(duì)未知類標(biāo)號(hào)的待測(cè)集進(jìn)行預(yù)測(cè)。2.“分類步”機(jī)器學(xué)習(xí)分類算法的定義與流程（二）分類算法的流程

分類水果甜度的預(yù)測(cè)02主流分類算法KNN算法通過(guò)周?chē)罱癒”個(gè)鄰居來(lái)判斷自身分類通過(guò)搜索K個(gè)最相似的實(shí)例（鄰居）的整個(gè)訓(xùn)練集并總結(jié)那些K個(gè)實(shí)例的輸出變量，對(duì)新數(shù)據(jù)點(diǎn)進(jìn)行預(yù)測(cè)。最近鄰算法（KNN）02主流分類算法

邏輯回歸函數(shù)試圖在數(shù)據(jù)集中繪制出這樣的曲線作為“分界線”計(jì)算數(shù)據(jù)點(diǎn)是否屬于某個(gè)類別的可能性，將數(shù)據(jù)點(diǎn)劃分為可能性最高的那個(gè)類別。樸素貝葉斯算法主要解決二分類問(wèn)題，用來(lái)表示某件事情發(fā)生的可能性。邏輯回歸算法02主流分類算法

支持向量機(jī)在不同類別的數(shù)據(jù)集間尋找一個(gè)最大的“間隔”SVM訓(xùn)練算法構(gòu)建一個(gè)模型。支持向量機(jī)算法03最近鄰算法（KNN）定義與適用場(chǎng)景

KNN算法通過(guò)找到訓(xùn)練集樣本空間中的K個(gè)距離預(yù)測(cè)樣本X最近的點(diǎn)，統(tǒng)計(jì)K個(gè)距離最近的點(diǎn)的類別，找出個(gè)數(shù)最多的類別，將X歸入該類別。

將未知樣本Xu劃分為W1中

從圖中可以清晰看出，當(dāng)K=5時(shí)，其周?chē)兴膫€(gè)點(diǎn)都是紅色點(diǎn)，未知樣本Xu應(yīng)該屬于類別W1，即紅色點(diǎn)。03最近鄰算法（KNN）定義與適用場(chǎng)景

將未知樣本Xu劃分為W1中

從圖中可以清晰看出，當(dāng)K=5時(shí)，其周?chē)兴膫€(gè)點(diǎn)都是紅色點(diǎn)，未知樣本Xu應(yīng)該屬于類別W1，即紅色點(diǎn)。（一）KNN算法的適用情形數(shù)據(jù)集較少03最近鄰算法（KNN）定義與適用場(chǎng)景

將未知樣本Xu劃分為W1中

KNN算法對(duì)特征數(shù)目的敏感度很高，當(dāng)特征數(shù)目較少時(shí)，KNN算法效果會(huì)比較好。但是當(dāng)特征數(shù)目較多時(shí)，算法效果可能會(huì)變差。（一）KNN算法的適用情形特征數(shù)目較少03最近鄰算法（KNN）定義與適用場(chǎng)景分類問(wèn)題：KNN算法適用于分類問(wèn)題，如對(duì)圖像、文本等數(shù)據(jù)進(jìn)行分類。在電商領(lǐng)域中，可以使用KNN算法對(duì)客戶進(jìn)行分類，如對(duì)于新客戶，可以根據(jù)其購(gòu)買(mǎi)歷史、搜索記錄等信息，將其分類為潛在的高、中、低價(jià)值客戶?；貧w問(wèn)題：KNN算法也適用于回歸問(wèn)題，如根據(jù)房屋的特征預(yù)測(cè)其價(jià)格。在金融領(lǐng)域中，可以使用KNN算法對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)，根據(jù)歷史數(shù)據(jù)預(yù)測(cè)未來(lái)某一天股票的價(jià)格。推薦系統(tǒng)：KNN算法也可以用于推薦系統(tǒng)中，如根據(jù)用戶的歷史購(gòu)買(mǎi)記錄和瀏覽行為，推薦相似的商品或服務(wù)。（二）KNN算法的適用場(chǎng)景03最近鄰算法（KNN）定義與適用場(chǎng)景K-means訓(xùn)練的數(shù)據(jù)是帶標(biāo)簽的數(shù)據(jù)，KNN訓(xùn)練的數(shù)據(jù)是不帶標(biāo)簽的數(shù)據(jù)KNN：訓(xùn)練KNN模型的數(shù)據(jù)是帶標(biāo)簽的數(shù)據(jù)，已經(jīng)是完全正確的數(shù)據(jù)。K-Means：訓(xùn)練K-means的數(shù)據(jù)集是無(wú)數(shù)據(jù)（三）KNN和K-means的區(qū)別有無(wú)數(shù)據(jù)標(biāo)簽03最近鄰算法（KNN）定義與適用場(chǎng)景KNN算法K值的含義——最近的K個(gè)鄰居、這里K=1KNN算法：K為選定的鄰居數(shù)。對(duì)于給定的樣本X進(jìn)行分類，就從數(shù)據(jù)集中X附近找離它最近的K個(gè)數(shù)據(jù)點(diǎn)。這K個(gè)數(shù)據(jù)點(diǎn)，哪一類類別占的個(gè)數(shù)最多，就把X的label設(shè)為哪一類類別。（三）KNN和K-means的區(qū)別K的含義03最近鄰算法（KNN）定義與適用場(chǎng)景

K-meansK的含義表示最后的聚類結(jié)果數(shù)，這里K=3K-means:K為數(shù)據(jù)集最后輸出結(jié)果的類別數(shù)量。假設(shè)數(shù)據(jù)集合可以分為K個(gè)簇，K是人工固定好的數(shù)字。（三）KNN和K-means的區(qū)別K的含義04人臉識(shí)別技術(shù)在自動(dòng)駕駛中的應(yīng)用駕駛員疲勞檢測(cè)（DriverMonitorSystem，DMS）是一種通過(guò)人臉識(shí)別技術(shù)與主動(dòng)安全輔助系統(tǒng)結(jié)合來(lái)確保人車(chē)共駕安全的技術(shù)，當(dāng)系統(tǒng)檢測(cè)到駕駛員出現(xiàn)疲勞行為時(shí)，將會(huì)采取報(bào)警、制動(dòng)等安全措施。目前市場(chǎng)上的主要應(yīng)用有斯巴魯DriverFocus系統(tǒng)和凱迪拉克的SuperCruise智能駕駛系統(tǒng)。

駕駛員疲勞檢測(cè)系統(tǒng)實(shí)例（一）用于駕駛員疲勞檢測(cè)的系統(tǒng)

04人臉識(shí)別技術(shù)在自動(dòng)駕駛中的應(yīng)用人臉識(shí)別將探測(cè)到的人臉與已保存到的人臉特征進(jìn)行比對(duì)。來(lái)識(shí)別駕駛員身份是否準(zhǔn)確。比如，凱迪拉克XT4就能通過(guò)B柱的攝像頭刷臉開(kāi)車(chē)門(mén)。汽車(chē)防盜系統(tǒng)進(jìn)行駕駛員身份確認(rèn)（一）用于駕駛員疲勞檢測(cè)的系統(tǒng)

基于KNN算法的人臉識(shí)別實(shí)訓(xùn)05首先使用圖像處理技術(shù)來(lái)提取人臉圖像中的特征；使用機(jī)器學(xué)習(xí)分類算法來(lái)訓(xùn)練模型，以識(shí)別不同的人臉；最后，根據(jù)訓(xùn)練好的模型來(lái)識(shí)別新的人臉圖像；KNN算法的人臉識(shí)別過(guò)程（一）案例分析基于KNN算法的人臉識(shí)別實(shí)訓(xùn)05在人臉識(shí)別中，KNN算法可以通過(guò)比較待識(shí)別人臉圖像與已有人臉圖像的距離，找到最相似的K個(gè)人臉圖像，并將待識(shí)別人臉圖像歸類到這K個(gè)圖像中的主要類別中，從而實(shí)現(xiàn)人臉識(shí)別。KNN算法在處理小規(guī)模的人臉識(shí)別問(wèn)題時(shí)，能夠獲得較好的識(shí)別效果。通過(guò)sklearn實(shí)現(xiàn)KNN，自動(dòng)計(jì)算距離，自動(dòng)選擇最佳的K值，自動(dòng)處理缺失值，根據(jù)需要使用不同的距離度量。模型訓(xùn)練好后通過(guò)knn.predict方法，直接輸出一個(gè)包含基于輸入數(shù)據(jù)的最近鄰算法預(yù)測(cè)的類別標(biāo)簽數(shù)組。KNN算法的人臉識(shí)別原理（一）案例分析基于KNN算法的人臉識(shí)別實(shí)訓(xùn)05（二）案例實(shí)現(xiàn)sklearn庫(kù)提供了一個(gè)名為datasets的模塊，其中包含了許多常用的預(yù)訓(xùn)練數(shù)據(jù)集。這些數(shù)據(jù)集已經(jīng)被打包成可用于機(jī)器學(xué)習(xí)算法和模型的格式，可以直接用于訓(xùn)練和測(cè)試。sklearn庫(kù)內(nèi)置LFW數(shù)據(jù)集，可提供人臉訓(xùn)練數(shù)據(jù)。LFW數(shù)據(jù)集包含13233張人臉圖像，其中有5749個(gè)不同的人，每個(gè)人至少有2張圖像。數(shù)據(jù)準(zhǔn)備步驟代碼描述1fromsklearn.datasetsimportfetch_lfw_people導(dǎo)入fetch_lfw_people函數(shù)2lfw_people=fetch_lfw_people(min_faces_per_person=70,resize=0.4)使用fetch_lfw_people函數(shù)加載LFW數(shù)據(jù)集3X=lfw_people.data從LFW數(shù)據(jù)集中提取數(shù)據(jù)（每個(gè)樣本都是一張圖片的像素值）4y=lfw_people.target從LFW數(shù)據(jù)集中提取標(biāo)簽（每個(gè)樣本對(duì)應(yīng)的人名）LFW數(shù)據(jù)集使用方法基于KNN算法的人臉識(shí)別實(shí)訓(xùn)05（二）案例實(shí)現(xiàn)lfw_people.data是一個(gè)numpy數(shù)組，其中包含了從LFW數(shù)據(jù)集中提取的人臉圖像的像素?cái)?shù)據(jù)。每一行代表一張圖像，每一列代表一個(gè)像素，每個(gè)像素的值表示圖像中該像素點(diǎn)的顏色值。特征表示基于KNN算法的人臉識(shí)別實(shí)訓(xùn)05（二）案例實(shí)現(xiàn)KNN模型訓(xùn)練及預(yù)測(cè)實(shí)現(xiàn)流程序號(hào)流程命令1導(dǎo)入sklearn中的KNeighborsClassifier類fromsklearn.neighborsimportKNeighborsClassifier2實(shí)例化KNN模型knn=KNeighborsClassifie