employee_set是一个列表，employee_set的每一个元素是都是一个具有15个图片元素的列表，employee_set的每一个元素都存放了一个员工的15张脸部图片，即employee_set是一个列表的列表。请你写一段python代码，将employee_set分成训练集和测试集，用你认为合适的方法进行训练，并写代码测试训练后的模型对image的判断是否正确。注意，image可能来自测试集，也可能是employee_set之外的一张图片，因此，当模型发现image与所有员工的特征都不相似是，他应当将image判断为“陌生人”。请使用支持向量机或你认为合适的算法和库完成以上任务，不准使用深度学习和神经网络，陌生人的图像不能拿来训练用，但是会出现在测试集中。此时，模型应该能分辨出这些陌生人的图像不属于训练集中的任何一个员工，并作出正确判断

好的，下面是一个示例代码，使用支持向量机（SVM）算法和scikit-learn库完成任务：

from sklearn import svm
from sklearn.model_selection import train_test_split
import numpy as np

# 将employee_set转换为训练数据集和标签
X = []
y = []
for employee in employee_set:
    for image in employee:
        X.append(image)
        y.append(employee_set.index(employee))

# 将X和y转换为numpy数组
X = np.array(X)
y = np.array(y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM分类器并进行训练
clf = svm.SVC()
clf.fit(X_train, y_train)

# 测试训练后的模型对image的判断
image = # 需要判断的图像

# 将image转换为numpy数组
image = np.array(image)

# 使用训练后的模型进行预测
prediction = clf.predict([image])

# 判断预测结果
if prediction in y_train:
    # 预测结果为已知员工
    employee_index = np.where(y_train == prediction)[0][0]
    print("预测结果为已知员工，员工索引：", employee_index)
else:
    # 预测结果为陌生人
    print("预测结果为陌生人")

请注意，以上代码仅为示例，可能需要根据实际情况进行调整。