python实现6.给出整个数据集上，人脸识别分类预测的准确率(Accuracy，测试集中分类器正确分类的样本数与总样本数之比)。

要实现人脸识别分类预测的准确率，需要先将数据集分为训练集和测试集。然后使用训练集训练一个分类器（比如支持向量机、随机森林、神经网络等），并用测试集来测试分类器的性能。最后计算分类器的准确率。

以下是一个简单的 Python 代码示例：

from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.svm import SVC
from sklearn.datasets import fetch_lfw_people

# 加载人脸数据集
lfw_dataset = fetch_lfw_people(min_faces_per_person=70, resize=0.4)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    lfw_dataset.data, lfw_dataset.target, test_size=0.25, random_state=42)

# 训练支持向量机分类器
clf = SVC(kernel='linear', C=0.5)
clf.fit(X_train, y_train)

# 在测试集上测试分类器的性能
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用了 Scikit-learn 中的 `fetch_lfw_people` 函数加载了一个人脸数据集，然后使用 `train_test_split` 函数将数据集分为训练集和测试集。接着使用支持向量机分类器进行训练，并在测试集上测试分类器的性能。最后使用 `accuracy_score` 函数计算分类器的准确率。

当然，这只是一个简单的示例代码，具体实现还需要根据实际情况进行调整和优化。