使用python3 學習sklearn中支持向量機api的使用

可以來到我的git下載源代碼：https://github.com/linyi0604/kaggle

 1 # 導入手寫字體加載器
 2 from sklearn.datasets import load_digits
 3 from sklearn.cross_validation import train_test_split
 4 from sklearn.preprocessing import StandardScaler
 5 from sklearn.svm import LinearSVC
 6 from sklearn.metrics import
 
 classification_report
 7 
 8 ‘‘‘
 9 支持向量機
10 根據訓練樣本的分布，搜索所有可能的線性分類器最佳的一個。
11 從高緯度的數據中篩選最有效的少量訓練樣本。
12 節省數據內存，提高預測性能
13 但是付出更多的cpu和計算時間
14 ‘‘‘
15 
16 ‘‘‘
17 1 獲取數據
18 ‘‘‘
19 # 通過數據加載器獲得手寫字體數字的數碼圖像數據並存儲在digits變量中
20 digits = load_digits()
21 # 查看數據的特征維度和規模
22 # print(digits.data.shape)  # (1797, 64)
23
 
 
24 ‘‘‘
25 2 分割訓練集合和測試集合
26 ‘‘‘
27 x_train, x_test, y_train, y_test = train_test_split(digits.data,
28                                                     digits.target,
29                                                     test_size=0.25,
30                                                     random_state=33)
 
31 
32 ‘‘‘
33 3 使用支持向量機分類模型對數字圖像進行識別
34 ‘‘‘
35 # 對訓練數據和測試數據進行標準化
36 ss = StandardScaler()
37 x_train = ss.fit_transform(x_train)
38 x_test = ss.fit_transform(x_test)
39 
40 # 初始化線性假設的支持向量機分類器
41 lsvc = LinearSVC()
42 # 進行訓練
43 lsvc.fit(x_train, y_train)
44 # 利用訓練好的模型對測試集合進行預測 測試結果存儲在y_predict中
45 y_predict = lsvc.predict(x_test)
46 
47 ‘‘‘
48 4 支持向量機分類器 模型能力評估
49 ‘‘‘
50 print("準確率：", lsvc.score(x_test, y_test))
51 print("其他評估數據：\n", classification_report(y_test, y_predict, target_names=digits.target_names.astype(str)))
52 ‘‘‘
53 準確率： 0.9488888888888889
54 其他評估數據：  精確率      召回率  f1指標     數據個數
55               precision    recall  f1-score   support
56 
57           0       0.92      0.97      0.94        35
58           1       0.95      0.98      0.96        54
59           2       0.98      1.00      0.99        44
60           3       0.93      0.93      0.93        46
61           4       0.97      1.00      0.99        35
62           5       0.94      0.94      0.94        48
63           6       0.96      0.98      0.97        51
64           7       0.90      1.00      0.95        35
65           8       0.98      0.83      0.90        58
66           9       0.95      0.91      0.93        44
67 
68 avg / total       0.95      0.95      0.95       450
69 ‘‘‘

機器學習之路： python 支持向量機 手寫字體識別