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： 0.9488888888888889
54 其他评估数据：  精确率      召回率  f1指标     数据个数
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 '''