人像識別的基本方法？人像識別的方法很多，通常的人像識別方法有：（1）幾何特征的人臉識別方法：幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系（如相互之間的距離）。這些算法識別速度快，要的內(nèi)存小，但

人像識別的基本方法？

人像識別的方法很多，通常的人像識別方法有：

（1）幾何特征的人臉識別方法：幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系（如相互之間的距離）。這些算法識別速度快，要的內(nèi)存小，但識別率較低。

（2）基于條件特征臉（PCA）的人臉識別方法：特征臉方法是基于組件KL變化的人臉識別方法，KL跳躍是圖像壓縮的一種選擇最優(yōu)正交自由變化。高維的圖像空間在KL變化后能得到一組新的正交基，剩余其中有用的正交基，由這些基可以不張成低維線性空間。要是假設(shè)不成立人臉在這些低維線性空間的投影更具可分性，就這個可以將這些投影使用較多無法識別的特征矢量，這那是特征臉方法的基本上思想。這些方法是需要較低的訓(xùn)練樣本，但是已經(jīng)是基于條件圖像灰度的統(tǒng)計(jì)特性的。目前有一些設(shè)計(jì)改進(jìn)型的特征臉方法。

（3）神經(jīng)網(wǎng)絡(luò)的人臉識別方法：神經(jīng)網(wǎng)絡(luò)的輸入可以不是減低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。這類方法同樣的要相對多的樣本并且訓(xùn)練，而在許多應(yīng)用中，樣本數(shù)量是很最多的。

（4）彈性圖自動分配的人臉識別方法：彈性圖不兼容法在二維的空間中定義了一種對此大多的人臉移位具備是有的不變性的距離，并采用屬性拓?fù)鋱D來屬於人臉，拓?fù)鋱D的任一頂點(diǎn)均包含一特征向量，單獨(dú)記錄人臉在該頂點(diǎn)位置附近的信息。該方法增強(qiáng)了灰度特性和幾何因素，在比對時也可以不能圖像修真者的存在彈性微小形變，在怎么改正表情變化對無法識別的影響方面發(fā)來了好些的效果，同時這對單個人也不再繼續(xù)是需要多個樣本參與訓(xùn)練。

（5）線段Hausdorff距離(LHD)的人臉識別方法：心理學(xué)的研究表明，人類在識別輪廓圖（比如說漫畫）的速度和準(zhǔn)確度上半點(diǎn)要比不識別灰度圖差。LHD是基于條件從人臉灰度圖像中提取出的線段圖的，它定義法的是兩個線段集之間的距離，獨(dú)特的個性的是，LHD并不建立起差別線段集之間線段的一一對應(yīng)關(guān)系，所以它更能不適應(yīng)線段圖之間的微小變化。實(shí)驗(yàn)結(jié)果表明，LHD在不同光照條件下和有所不同姿態(tài)情況下應(yīng)該有的很出色的發(fā)揮，但是它在大表情的情況下識別效果不好。

（6）支持向量機(jī)(SVM)的人臉識別方法：支持向量機(jī)是統(tǒng)計(jì)出來智能信息處理領(lǐng)域的一個新的熱點(diǎn)，它根本無法令學(xué)習(xí)機(jī)在經(jīng)驗(yàn)風(fēng)險和泛化能力上提升一種讓步，從而能提高學(xué)習(xí)機(jī)的性能。支持向量機(jī)主要注意幫忙解決的是一個2分類問題，它的基本思想是借著把一個低維的線性絕不可以分的問題被轉(zhuǎn)化成一個高維的線性可分的問題。大多數(shù)的實(shí)驗(yàn)結(jié)果并且SVM有較好的識別率，不過它不需要大量的訓(xùn)練樣本（每類300個），這在實(shí)際應(yīng)用中而不是不現(xiàn)實(shí)的東西的。但是支持向量機(jī)訓(xùn)練時間長，方法實(shí)現(xiàn)古怪，該函數(shù)的取法沒有統(tǒng)一規(guī)定的理論。

預(yù)測變量越多，得到的數(shù)據(jù)挖掘模型就越好嗎？

單從一個模型的角度上來說，變量一定基本是模型的結(jié)果越將近期望值，可是就像要是做太清楚的報告，我們?nèi)怯萌齻€模型來聯(lián)合起來看操作數(shù)據(jù)參與分析和預(yù)測，然后把校驗(yàn)準(zhǔn)確率，最后你選準(zhǔn)確率高了的一個模型去掉。

另，分析預(yù)測變量少嘛可能會倒致數(shù)據(jù)不版本問題模型或者變量多造成模型沒能生成結(jié)果等問題，不可一概而論吧