【ML-SVM案例学习】svm实现手写数字识别

本文链接：https://blog.csdn.net/DeepLearning_/article/details/127991904

文章目录

前言
一、源码分步解析
总结

前言

【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现svm实现手写数字识别。

提示：以下是本篇文章正文内容，下面案例可供参考

一、源码分步解析

1.引入库

代码如下（示例）：

import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn import datasets, svm, metrics

2. 设置属性防止中文乱码

代码如下（示例）：

mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False

3.加载数字图片数据

digits = datasets.load_digits()

4.获取样本数量，并将图片数据格式化

n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))
data.shape

5.模型构建

classifier = svm.SVC(gamma=0.001)  # 默认是rbf
# from sklearn.neighbors import KNeighborsClassifier
# classifier = KNeighborsClassifier(n_neighbors=9, weights='distance')
## 使用二分之一的数据进行模型训练
##取前一半数据训练，后一半数据测试
classifier.fit(data[:int(n_samples / 2)], digits.target[:int(n_samples / 2)])

6.测试数据部分实际值和预测值获取

## 后一半数据作为测试集
expected = digits.target[int(n_samples/2):]  # y_test
predicted = classifier.predict(data[int(n_samples / 2):])##y_predicted
## 计算准确率
print("分类器%s的分类效果:\n%s\n"
      % (classifier, metrics.classification_report(expected, predicted)))
## 生成一个分类报告classification_report
print("混淆矩阵为:\n%s" % metrics.confusion_matrix(expected, predicted))
## 生成混淆矩阵
print("score_svm:\n%f" % classifier.score(data[int(n_samples / 2):], digits.target[int(n_samples / 2):]))

7.进行图片展示

plt.figure(facecolor='gray', figsize=(12,5))

8.把预测错的值的 x值 y值和y的预测值取出

images_and_predictions = list(zip(digits.images[int(n_samples / 2):][expected != predicted], expected[expected != predicted], predicted[expected != predicted]))

9.通过enumerate，分别拿出x值 y值和y的预测值的前五个，并画图

for index,(image,expection, prediction) in enumerate(images_and_predictions[:5]):
    plt.subplot(2, 5, index + 1)
    plt.axis('off')                          
    plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')  # 把cmap中的灰度值与image矩阵对应，并填充
    plt.title(u'预测值/实际值:%i/%i' % (prediction, expection))

10.画出5个预测成功的

images_and_predictions = list(zip(digits.images[int(n_samples / 2):][expected == predicted], expected[expected == predicted], predicted[expected == predicted]))
for index, (image,expection, prediction) in enumerate(images_and_predictions[:5]):
    plt.subplot(2, 5, index + 6)
    plt.axis('off')
    plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
    plt.title(u'预测值/实际值:%i/%i' % (prediction, expection))

plt.subplots_adjust(.04, .02, .97, .94, .09, .2)
plt.show()