现在我们就拿人脸识别在做一个应用测试，使用的数据集是sklearn中自带的图片数据，具体的下载使用下面讲。线性不可分的SVM应用测试训练集：sklearn自带的人脸图片数据集。先说一下，这个图片的数据集中得到特征值是比较多的，我们需要进行降维，用到了pca的降维方法。下面我们一步一步讲首先介绍一下我们需要用到的几个库
logging是用来打印程序的运行日志的train_test_split大家应该都知道，是用来分割数据集的，将数据分为训练数据和测试数据fetch_lfw_people就是我们用到的人脸数据集GridSearchCV是寻找合适的SVM参数组合的classfusion_report和confusion_matrix是后面用来给模型打分的RandomizedPCA就是我们用来降维的SVC就不用说了，我们的主继续看代码：
注意一下fetch_lfw_people这一行，我们是加载图片数据的，在第一次运行的时候电脑上是没有这些图片数据的，程序会自带去网上下载，下载所需的时间比较长，大小在200+M。下载后的图片默认保存位置在C:\Users\kTWO\scikit_learn_data\lfw_home\lfw_funneled，其中kTWO是我电脑的用户名，你懂得。上面的代码就是对数据集进行的预处理，当然这个数据集是比较完整的，我们主要干了个分割的事情，将0.75的数据集分割成了训练集，0.25的测试集。另外我们还发现，特征向量的维度高达1850，这个数值太大了，有很多都是无用的特征值，所以我们下面就要进行降维处理。降维主要分为两个步骤：1、使用无监督学习简历PCA模型。2、视频PCA模型对数据进行降维。看代码：
在模型建立好之后，打印clf.best_estimator_可以看到这个模型的SVM的参数信息。ok，下一步我们就使用测试集进行人脸的识别预测。代码：
看一下预测的结果：classification_report结果：
解释一下，precision是预测的准确率，recall是召回率f1-score是一个兼顾考虑了Precision和Recall的评估指标。他们的数值越接近1说明预测的越准。confusion_matrix混淆矩阵验证结果：
在这个矩阵中，如果全部都是100%预测，那么数据应该都排列在对角线上，也就是说，每一个行列对应之后就会在对角线上+1，可已看出，第一行上有15个预测正确，另外有9个预测失败，这个正确率比较低，不过剩下的几个就比较高了。