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
1 # 导入手写字体加载器 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 支持向量机10 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。11 从高纬度的数据中筛选最有效的少量训练样本。12 节省数据内存，提高预测性能13 但是付出更多的cpu和计算时间14 '''15 16 '''17 1 获取数据18 '''19 # 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20 digits = load_digits()21 # 查看数据的特征维度和规模22 # print(digits.data.shape) # (1797, 64)23 24 '''25 2 分割训练集合和测试集合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 使用支持向量机分类模型对数字图像进行识别34 '''35 # 对训练数据和测试数据进行标准化36 ss = StandardScaler()37 x_train = ss.fit_transform(x_train)38 x_test = ss.fit_transform(x_test)39 40 # 初始化线性假设的支持向量机分类器41 lsvc = LinearSVC()42 # 进行训练43 lsvc.fit(x_train, y_train)44 # 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45 y_predict = lsvc.predict(x_test)46 47 '''48 4 支持向量机分类器 模型能力评估49 '''50 print("准确率：", lsvc.score(x_test, y_test))51 print("其他评估数据：\n", classification_report(y_test, y_predict, target_names=digits.target_names.astype(str)))52 '''53 准确率： 0.948888888888888954 其他评估数据： 精确率 召回率 f1指标 数据个数55 precision recall f1-score support56 57 0 0.92 0.97 0.94 3558 1 0.95 0.98 0.96 5459 2 0.98 1.00 0.99 4460 3 0.93 0.93 0.93 4661 4 0.97 1.00 0.99 3562 5 0.94 0.94 0.94 4863 6 0.96 0.98 0.97 5164 7 0.90 1.00 0.95 3565 8 0.98 0.83 0.90 5866 9 0.95 0.91 0.93 4467 68 avg / total 0.95 0.95 0.95 45069 '''