關于支持向量機的理論知識查看：支持向量機

digits數(shù)據(jù)集概述

digits.data：手寫數(shù)字特征向量數(shù)據(jù)集，每一個元素都是一個64維的特征向量。

digits.target：特征向量對應的標記，每一個元素都是自然是0-9的數(shù)字。

digits.images：對應著data中的數(shù)據(jù)，每一個元素都是8*8的二維數(shù)組，其元素代表的是灰度值，轉化為以為是便是特征向量。

代碼實戰(zhàn)

先導入數(shù)據(jù)，我們直接使用sklearn為我們準備好的數(shù)據(jù)集

from sklearn.datasets import load_digitsdigits = load_digits() digits.data.shape

(1797, 64)

將數(shù)據(jù)集進行劃分

from sklearn.cross_validation import train_test_split X_train,X_test,Y_train,Y_test = train_test_split(digits.data,digits.target,test_size=0.25,random_state=33)

數(shù)據(jù)標準化，導入線性支持向量機并訓練

from sklearn.preprocessing import StandardScaler from sklearn.svm import LinearSVCss = StandardScaler() X_train = ss.fit_transform(X_train) X_test = ss.fit_transform(X_test)lsvc = LinearSVC() lsvc.fit(X_train,Y_train) Y_predict = lsvc.predict(X_test)

然后，我們對模型進行評估

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

The Accuracy of Linear SVC is 0.948888888889

from sklearn.metrics import classification_report print(classification_report(Y_test,Y_predict,target_names=digits.target_names.astype(str)))

代碼參考：《Python機器學習及實踐：從零開始通往Kaggle競賽之路》

總結

以上是生活随笔為你收集整理的机器学习入门实战——线性支持向量机实战digits数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。