我用sklearn中的svm支持向量机做人脸识别时，在python中用fetch_lfw_people下载lfw数据库，出错无法下载，而自己手动下载放在指定目录下还是没用，运行程序时还是自动下载数据库，而不是加载
sklearn中svm支持向量机做人脸识别，fetch_lfw_people无法下载lfw数据库
- 写回答
- 好问题 0 提建议
- 追加酬金
- 关注问题
分享- 邀请回答
-
3条回答 默认 最新
xty19 2017-11-27 00:25关注https://pan.baidu.com/s/1qYHUQuw
放到
scikit_learn_data 下面 重新运行程序
ps：如果不行，把lfw_home/lfw_funneled文件夹删除解决 无用评论 打赏举报 分享
- 2022-03-11 21:55回答 2 已采纳 大概率因为你的sklearn版本过新的问题（>=0.24）我用的0.23.2，导入这个的时候已经警告该模块（sklearn.svm.classes）会在0.24版本移除了
- 2018-10-05 11:04回答 2 已采纳 按理说不需要，是不是你搞错了。需要同维的是测试集和训练集。 比如y_train和y_test，x_train和x_test
- 2021-12-23 08:07回答 6 已采纳 换一个模型就可以了 clf = svm.LinearSVC(max_iter=10000)
- 2023-12-23 11:38添柴程序猿的博客 index = np.random.randint(0,1288,size =1)[0] 我们来获取一个随机数,因为我们说了,我们1288个图片对吧,所以我们获取从0到1288中的一个随机数,然后[0],表示,因为np.random.randint(0,1288,size =1)获取的是一个...
- 2022-02-08 12:02回答 2 已采纳 寻找最大间隔超平面，可以转化为凸二次规划的最优化问题凸二次规划问题的原型是： min f0(x)=1/2 x'Ax +b'x +c而决策函数 y=sign(w'x+b)定义两个间隔后，将最优分离的标准
- 2021-11-10 10:33回答 1 已采纳 你好，你的从2开始了，test_label的长度和predict_label_2应该是相等的。所以建议71改成 plot(1:length(test_label), predict_label_2,'
- 2021-06-06 01:55回答 2 已采纳 你可以设置一下random state这个参数，划分数据集的时候也可以设置一下，这样每次得到的结果就是一样的了，有用的话麻烦给个采纳，谢谢
- 2022-12-28 22:55from sklearn.datasets import fetch_lfw_people faces = fetch_lfw_people() 执行上面的第二行程序，python会从网上下载labeled_face_wild people数据集，这个数据集大概200M，因为墙的原因下载很慢失败。 下载...
- 2021-12-21 22:25回答 4 已采纳 你试试这个呢 import os import cv2 import matplotlib.pyplot as plt import numpy as np from sklearn import
- 2022-02-26 11:19回答 1 已采纳 你调用的遗传算法进行优化，对于优化问题来说，种群数量不大（50），迭代次数也不太大（300）。但是，你的目标函数并不是一个简单的函数，而是 SVR 的参数。SVR 支持向量机，默认的方法并不是线性回归
- 2022-11-24 14:10回答 3 已采纳 samples_generator模块在新版本scikit-learn中已被移除。samples_generator模块中相应的类/函数直接从sklearn.datasets中导入即可。 from s
- 添柴程序猿的博客 data = datasets.fetch_lfw_people(resize=1,min_faces_per_person=70) 这个是获取人脸识别数据 打印人脸识别数据对象 data X= data['data'] 获取数据中的data部分,上一节有详解 这个人物照片内容 y= data['...
- 2023-03-30 10:52回答 3 已采纳 是的，支持向量机（Support Vector Machine，SVM）是一种二分类模型，其决策边界是一个超平面，而超平面的维度是数据特征空间的维度。因此，当数据特征向量的维度大于2时，我们无法直接在
- 2021-11-03 21:42大漠风中一匹狼的博客 SVM支持向量机 SVM寻找区分两类的点的超平面（Hyper plane）,使用的边际（margin）是越大越好的 所有坐落在边际两边的超平面上的被称作为“支持向量” （1,1）（2,0）(2,3) from sklearn import svm X = [[2,0],[1,1...
- 2021-10-28 01:10小叶MW的博客 文章目录基于SVM支持向量机实现人脸识别SVM支持向量机的定义SVM支持向量机的原理作用如何计算SVM支持向量机的权值w和偏置项b代码实现原理步骤代码实例演示： 基于SVM支持向量机实现人脸识别 本人本科大三，非985,211...
- 没有解决我的问题, 去提问
悬赏问题
- ¥15 关于下拉菜单选项关联的问题
- ¥15 如何修改pca中的feature函数
- ¥20 java-OJ-健康体检
- ¥15 rs485的上拉下拉，不会对a-b<-200mv有影响吗，就是接受时，对判断逻辑0有影响吗
- ¥15 使用phpstudy在云服务器上搭建个人网站
- ¥15 应该如何判断含间隙的曲柄摇杆机构，轴与轴承是否发生了碰撞？
- ¥15 vue3+express部署到nginx
- ¥20 搭建pt1000三线制高精度测温电路
- ¥15 使用Jdk8自带的算法，和Jdk11自带的加密结果会一样吗，不一样的话有什么解决方案，Jdk不能升级的情况
- ¥15 画两个图 python或R