31、支持向量机与随机森林：原理、实践与应用

支持向量机与随机森林：原理、实践与应用

1. 支持向量机（SVM）

1.1 C参数的影响与调优

支持向量机（SVM）中的C参数对模型拟合效果有重要影响，其最优值取决于数据集，通常需要通过交叉验证或类似方法进行调优。

1.2 人脸识别示例

1.2.1 数据加载与可视化

使用Labeled Faces in the Wild数据集进行人脸识别。可以使用Scikit - Learn中的 fetch_lfw_people 函数加载数据，代码如下：

from sklearn.datasets import fetch_lfw_people
faces = fetch_lfw_people(min_faces_per_person=60)
print(faces.target_names)
print(faces.images.shape)

为了直观了解数据，我们可以绘制一些人脸图像：

import matplotlib.pyplot as plt
fig, ax = plt.subplots(3, 5)
for i, axi in enumerate(ax.flat):
    axi.imshow(faces.images[i], cmap='bone')
    axi.set(xticks=[], yticks=[],
            xlabel=faces.target_names[faces