fetch_lfw_pairs

sklearn.datasets.fetch_lfw_pairs(*, subset='train', data_home=None, funneled=True, resize=0.5, color=False, slice_=(slice(70, 195, None), slice(78, 172, None)), download_if_missing=True, n_retries=3, delay=1.0)

加载Labeled Faces in the Wild (LFW) pairs数据集（分类）。

如果需要，下载它。

在官方的 `README.txt`_ 中，这个任务被描述为 “Restricted”任务。由于我不确定如何正确实现 “Unrestricted”变体，目前暂时不支持它。

原始图像为250 x 250像素，但默认的切片和调整大小 参数将其缩小到62 x 47。

更多信息请参阅 用户指南 。

Parameters:

subset{‘train’, ‘test’, ‘10_folds’}, 默认=’train’

选择要加载的数据集：’train’用于开发训练 集，’test’用于开发测试集，’10_folds’用于 官方评估集，该评估集旨在与10折交叉验证一起使用。

data_homestr 或 path-like, 默认=None

指定另一个下载和缓存数据集的文件夹。 默认情况下，所有scikit-learn数据都存储在’~/scikit_learn_data’ 子文件夹中。

funneledbool, 默认=True

下载并使用数据集的funneled变体。

resizefloat, 默认=0.5

用于调整每个面部图片大小的比例。

colorbool, 默认=False

保留3个RGB通道，而不是将它们平均为一个 单灰度通道。如果color为True，数据的形状 比color = False时多一个维度。

slice_tuple of slice, 默认=(slice(70, 195), slice(78, 172))

提供一个自定义的2D切片（高度，宽度）以提取 jpeg文件的“有趣”部分，并避免使用背景的统计 相关性。

download_if_missingbool, 默认=True

如果为False，如果数据不在本地可用，则引发OSError， 而不是尝试从源站点下载数据。

n_retriesint, 默认=3

遇到HTTP错误时的重试次数。

Added in version 1.5.

delayfloat, 默认=1.0

重试之间的秒数。

Added in version 1.5.

Returns:

dataBunch

类似字典的对象，具有以下属性。

datandarray of shape (2200, 5828). 形状取决于 subset 。

每行对应2个展开的原始大小为62 x 47像素的面部图像。 更改 slice_ 、 resize 或 subset 参数 将改变输出的形状。

pairsndarray of shape (2200, 2, 62, 47). 形状取决于 subset

每行有2个面部图像，对应 于数据集中相同或不同的人 包含5749人。更改 slice_ 、 resize 或 subset 参数将改变输出的形状。

targetnumpy array of shape (2200,). 形状取决于 subset 。

与每对图像关联的标签。 两个标签值分别是不同的人或同一个人。

target_namesnumpy array of shape (2,)

解释目标数组的标签值。 0对应于“不同的人”，1对应于“同一个人”。

DESCRstr

Labeled Faces in the Wild (LFW)数据集的描述。

Examples

>>> from sklearn.datasets import fetch_lfw_pairs
>>> lfw_pairs_train = fetch_lfw_pairs(subset='train')
>>> list(lfw_pairs_train.target_names)
['Different persons', 'Same person']
>>> lfw_pairs_train.pairs.shape
(2200, 2, 62, 47)
>>> lfw_pairs_train.data.shape
(2200, 5828)
>>> lfw_pairs_train.target.shape
(2200,)