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：
", 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 '''