获取LFW配对

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)

加载野外标记人脸 (LFW) 配对数据集（分类）。

必要时下载。

类别	2
样本总数	13233
维数	5828
特征	实数，介于 0 和 255 之间

在官方的 README.txt 中，此任务被描述为“受限”任务。由于我不确定如何正确实现“不受限”变体，因此目前将其设置为不支持。

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为 62 x 47。

在 用户指南 中了解更多信息。

参数：

subset{‘train’, ‘test’, ‘10_folds’}, default=’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，default=None

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

funneledbool, default=True

下载并使用数据集的 funneled 变体。

resizefloat, default=0.5

用于调整每张人脸图片大小的比例。

colorbool, default=False

保留 3 个 RGB 通道，而不是将其平均为单个灰度通道。如果 color 为 True，则数据的形状比 color = False 的形状多一个维度。

slice_切片元组，default=(slice(70, 195), slice(78, 172))

提供自定义的 2D 切片（高度、宽度）以提取 jpeg 文件的“感兴趣”部分，并避免使用来自背景的统计相关性。

download_if_missingbool, default=True

如果为 False，则如果数据在本地不可用，则引发 OSError，而不是尝试从源站点下载数据。

n_retriesint, default=3

遇到 HTTP 错误时的重试次数。

1.5 版中新增。

delayfloat, default=1.0

两次重试之间的秒数。

1.5 版中新增。

返回：

dataBunch

类似字典的对象，具有以下属性。

data形状为 (2200, 5828) 的 ndarray。形状取决于 subset。

每一行对应于 2 幅原始大小为 62 x 47 像素的展开人脸图像。更改 slice_、resize 或 subset 参数将更改输出的形状。

pairs形状为 (2200, 2, 62, 47) 的 ndarray。形状取决于 subset

每一行包含 2 幅人脸图像，对应于来自包含 5749 个人的数据集中的同一人或不同的人。更改 slice_、resize 或 subset 参数将更改输出的形状。

target形状为 (2200,) 的 numpy 数组。形状取决于 subset。

与每对图像相关的标签。两个标签值是不同的人还是同一人。

target_names形状为 (2,) 的 numpy 数组

解释目标数组的目标值。0 对应于“不同的人”，1 对应于“同一人”。

DESCRstr

野外标记人脸 (LFW) 数据集的描述。

示例

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