機器學習之路: python 支持向量機 手寫字體識別
阿新 • • 發佈:2018-04-29
1.0 tar 下載 分類 字體 ID 導入 所有 load
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