机器学习之路： python 支持向量机 LinearSVC 手写字体识别

使用python3 学习sklearn中支持向量机api的使用

可以来到我的git下载源代码：https://github.com/linyi0604/MachineLearning

 # 导入手写字体加载器
 from sklearn.datasets import load_digits
 from sklearn.cross_validation import train_test_split
 from sklearn.preprocessing import StandardScaler
 from sklearn.svm import LinearSVC
 from sklearn.metrics import classification_report

 '''
 支持向量机
 根据训练样本的分布，搜索所有可能的线性分类器最佳的一个。
 从高纬度的数据中筛选最有效的少量训练样本。
 节省数据内存，提高预测性能
 但是付出更多的cpu和计算时间
 '''

 '''
 1 获取数据
 '''
 # 通过数据加载器获得手写字体数字的数码图像数据并存储在digits变量中
 digits = load_digits()
 # 查看数据的特征维度和规模
 # print(digits.data.shape)  # (1797, 64)

 '''
 2 分割训练集合和测试集合
 '''
 x_train, x_test, y_train, y_test = train_test_split(digits.data,
                                                     digits.target,
                                                     test_size=0.25,
                                                     random_state=33)

 '''
 3 使用支持向量机分类模型对数字图像进行识别
 '''
 # 对训练数据和测试数据进行标准化
 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
 lsvc = LinearSVC()
 # 进行训练
 lsvc.fit(x_train, y_train)
 # 利用训练好的模型对测试集合进行预测 测试结果存储在y_predict中
 y_predict = lsvc.predict(x_test)

 '''
 4 支持向量机分类器 模型能力评估
 '''
 print("准确率：", lsvc.score(x_test, y_test))
 print("其他评估数据：\n", classification_report(y_test, y_predict, target_names=digits.target_names.astype(str)))
 '''
 准确率： 0.9488888888888889
 其他评估数据：  精确率      召回率  f1指标     数据个数
               precision    recall  f1-score   support

           0       0.92      0.97      0.94        35
           1       0.95      0.98      0.96        54
           2       0.98      1.00      0.99        44
           3       0.93      0.93      0.93        46
           4       0.97      1.00      0.99        35
           5       0.94      0.94      0.94        48
           6       0.96      0.98      0.97        51
           7       0.90      1.00      0.95        35
           8       0.98      0.83      0.90        58
           9       0.95      0.91      0.93        44

 avg / total       0.95      0.95      0.95       450
 '''