使用支持向量机(分类)对手写体数字图像进行识别

手写体数据读取代码样例

# 从sklearn.datasets里导入手写体数字加载器
from sklearn.datasets import load_digits
# 从通过数据加载器获得手写体数字的数码图像数据并储存在digits变量中
digits = load_digits()
# 检视数据规模和特征维度
print(digits.data.shape)

手写体数据分割代码样例

# 使用sklearn.model_selection里的train_test_split模块用于分割数据
from sklearn.model_selection import train_test_split

# 随机选取75%的数据作为训练样本;其余25%的数据作为测试样本
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.25, random_state=33)
# 分别检视训练与测试数据规模
print(y_train.shape)
print(y_test.shape)

使用支持向量机(分类)对手写体数字图像进行识别

# 从sklearn,prepprocessing里导入数据标准化模块
from sklearn.preprocessing import StandardScaler

# 从sklearn.svm里导入基于线性假设的支持向量机分类器LinearSVC
from sklearn.svm import LinearSVC

# 从仍然需要对训练和测试的特征数据进行标准化
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.fit_transform(X_test)

# 初始化线性假设的支持向量机分类器LinearSVC
lsvc = LinearSVC()

# 进行模型训练
lsvc.fit(X_train, y_train)
# 利用训练好的模型对测试样本的数字类别进行预测,预测结果储存在变量y_predict中
y_predict = lsvc.predict(X_test)

支持向量机(分类)模型对手写体数码图像识别能力的评估

# 使用模型自带的评估函数进行准确性测评
print 'The Accuracy of Linear SVC is', lsvc.score(X_test, y_test)

# 依然使用sklearn.metrics里面的classification_report模块对预测结果做更加详细的分析
from sklearn.metrics import classification_report
print classification_report(y_test, y_predict, target_names=digits.target_names.astype(str))

输出结果