如何将特征脸识别输出的欧氏距离置信度归一化至0-100%范围

完全可以将模型输出的欧氏距离映射到0-100%的置信区间，核心要匹配特征脸方法的距离逻辑：欧氏距离数值越小，代表人脸匹配度越高，映射时不能直接对距离做正向线性缩放。

前置校准步骤 #

不要直接拿单次测试得到的极值10000当固定阈值，建议先拿验证集做一轮校准：

• 取所有同人匹配样本对的距离最小值作为匹配下界，理想状态下这个值接近0
• 取所有非同人匹配样本对的距离95分位值作为有效上界（你实测的10000如果是覆盖了大部分非匹配场景的结果，可以直接作为初始上界值），用分位值可以避免偶然出现的超大异常距离拉偏映射结果。

基础线性映射（最常用，可解释性强） #

映射逻辑为距离为0时置信度100%，距离达到有效上界时置信度0%，超出上界的异常值直接截断为0%，核心代码如下：

def dist2confidence(raw_dist, max_valid_dist=10000):
    # 截断异常值
    raw_dist = max(0, min(raw_dist, max_valid_dist))
    return 100 * (1 - raw_dist / max_valid_dist)

长尾分布适配映射 #

如果你的距离分布长尾明显（大部分非匹配距离集中在低区间，少数非匹配距离拉到很高的值），可以先对距离做对数变换再映射，避免低区间的距离差异被压缩：

import math

def dist2confidence_log(raw_dist, max_valid_dist=10000):
    raw_dist = max(0, min(raw_dist, max_valid_dist))
    log_dist = math.log(raw_dist + 1)
    log_max = math.log(max_valid_dist + 1)
    return 100 * (1 - log_dist / log_max)

替换原有预测逻辑即可得到百分比置信度：

resized_test_img = 'a.jpg'
label, raw_distance = eigenfaces_recognizer.predict(resized_test_img)
# 可根据验证集校准结果调整MAX_VALID_DIST值
MAX_VALID_DIST = 10000
confidence = dist2confidence(raw_distance, MAX_VALID_DIST)

注意：上述方法得到的是相对匹配置信度，不等同于「同人概率」。如果需要输出严格的概率值，需要额外采集匹配/非匹配的距离样本，用逻辑回归等方法做概率校准，普通业务场景用线性映射足够满足需求。

内容的提问来源于stack exchange，提问作者mtpog093