《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的人臉識別實(shí)訓(xùn)TaskImport任務(wù)導(dǎo)入現(xiàn)市場部門已經(jīng)提供了準(zhǔn)確可靠的汽車產(chǎn)品競品分析，公司根據(jù)市場情況以及自身資源制定了無人駕駛開發(fā)的項(xiàng)目。出于安全考慮和法律要求，國家規(guī)定所有的自動(dòng)駕駛車輛必須搭載人臉識別系統(tǒng)。你作為該無人駕駛汽車制造廠商的無人駕駛系統(tǒng)開發(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。現(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)問題的過程中，培養(yǎng)學(xué)生形成勤于思考的能力獲得分析解決問題以及多元化思考解決問題的方法，形成創(chuàng)新意識。TaskObject任務(wù)目標(biāo)知識目標(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)人臉識別的思路。掌握使用sklearn庫實(shí)現(xiàn)對人臉識別數(shù)據(jù)進(jìn)行處理。了解人臉識別技術(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)定義與適用場景03人臉識別技術(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對帶標(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”對新數(shù)據(jù)進(jìn)行類別預(yù)測。即用已知的測試集來檢測分類規(guī)則的準(zhǔn)確率，若準(zhǔn)確度可以接受，則使用訓(xùn)練好的模型對未知類標(biāo)號的待測集進(jìn)行預(yù)測。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02主流分類算法KNN算法通過周圍最近“K”個(gè)鄰居來判斷自身分類通過搜索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，對新數(shù)據(jù)點(diǎn)進(jìn)行預(yù)測。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題，用來表示某件事情發(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）定義與適用場景

KNN算法通過找到訓(xùn)練集樣本空間中的K個(gè)距離預(yù)測樣本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)，其周圍有四個(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)，其周圍有四個(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）定義與適用場景

將未知樣本Xu劃分為W1中

KNN算法對特征數(shù)目的敏感度很高，當(dāng)特征數(shù)目較少時(shí)，KNN算法效果會比較好。但是當(dāng)特征數(shù)目較多時(shí)，算法效果可能會變差。（一）KNN算法的適用情形特征數(shù)目較少03最近鄰算法（KNN）定義與適用場景分類問題：KNN算法適用于分類問題，如對圖像、文本等數(shù)據(jù)進(jìn)行分類。在電商領(lǐng)域中，可以使用KNN算法對客戶進(jìn)行分類，如對于新客戶，可以根據(jù)其購買歷史、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問題：KNN算法也適用于回歸問題，如根據(jù)房屋的特征預(yù)測其價(jià)格。在金融領(lǐng)域中，可以使用KNN算法對股票價(jià)格進(jìn)行預(yù)測，根據(jù)歷史數(shù)據(jù)預(yù)測未來某一天股票的價(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)用戶的歷史購買記錄和瀏覽行為，推薦相似的商品或服務(wù)。（二）KNN算法的適用場景03最近鄰算法（KNN）定義與適用場景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)集是無數(shù)據(jù)（三）KNN和K-means的區(qū)別有無數(shù)據(jù)標(biāo)簽03最近鄰算法（KNN）定義與適用場景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人臉識別技術(shù)在自動(dòng)駕駛中的應(yīng)用駕駛員疲勞檢測（DriverMonitorSystem，DMS）是一種通過人臉識別技術(shù)與主動(dòng)安全輔助系統(tǒng)結(jié)合來確保人車共駕安全的技術(shù)，當(dāng)系統(tǒng)檢測到駕駛員出現(xiàn)疲勞行為時(shí)，將會采取報(bào)警、制動(dòng)等安全措施。目前市場上的主要應(yīng)用有斯巴魯DriverFocus系統(tǒng)和凱迪拉克的SuperCruise智能駕駛系統(tǒng)。

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

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

基于KNN算法的人臉識別實(shí)訓(xùn)05首先使用圖像處理技術(shù)來提取人臉圖像中的特征；使用機(jī)器學(xué)習(xí)分類算法來訓(xùn)練模型，以識別不同的人臉；最后，根據(jù)訓(xùn)練好的模型來識別新的人臉圖像；KNN算法的人臉識別過程（一）案例分析基于KNN算法的人臉識別實(shí)訓(xùn)05在人臉識別中，KNN算法可以通過比較待識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)人臉識別。KNN算法在處理小規(guī)模的人臉識別問題時(shí)，能夠獲得較好的識別效果。通過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)測的類別標(biāo)簽數(shù)組。KNN算法的人臉識別原理（一）案例分析基于KNN算法的人臉識別實(shí)訓(xùn)05（二）案例實(shí)現(xiàn)sklearn庫提供了一個(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)練和測試。sklearn庫內(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)樣本對應(yīng)的人名）LFW數(shù)據(jù)集使用方法基于KNN算法的人臉識別實(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算法的人臉識別實(shí)訓(xùn)05（二）案例實(shí)現(xiàn)KNN模型訓(xùn)練及預(yù)測實(shí)現(xiàn)流程序號流程命令1導(dǎo)入sklearn中的KNeighborsClassifier類fromsklearn.neighborsimportKNeighborsClassifier2實(shí)例化KNN模型knn=KNeighborsClassifie