python手写数字识别论文_Python数据分析及可视化实例之手写体数字识别

Talk is cheap , show U the code.

该源码注释比较全面，需要对SKlearn有一定的了解，

当然，你也可以把它视作黑箱，做个调包侠也是大侠。

手写体数字识别 MNIST 数据集

基于线性假设的支持向量机分类器LinearSVC

# coding: utf-8

# In[1]:

# 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。

digits.data.shape

# In[2]:

# 从sklearn.cross_validation中导入train_test_split用于数据分割。

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)

# In[3]:

y_train.shape

# In[4]:

y_test.shape

# In[5]:

# 从sklearn.preprocessing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.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)

# In[6]:

# 使用模型自带的评估函数进行准确性测评。

'The Accuracy of Linear SVC is', lsvc.score(X_test, y_test)

# In[7]:

# 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)))

新手可查阅历史文章：yeayee：Python数据分析及可视化实例目录​zhuanlan.zhihu.com