本文主要是介绍机器学习-手写数字识别1，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
用到的库：
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.externals import joblib
1、数据的采集与标记
from sklearn import datasets
digits=datasets.load_digits()#加载sklearn自带的数据集images_and_labels=list(zip(digits.images,digits.target))#1行若干列
#zip:返回一个以元组为元素的列表 第一个参数的第一个数和第二个参数的第一个数是一组#显示数据图片
import matplotlib.pyplot as plt
plt.plot(figsize=(8,8),dpi=200)
for index,(image,label) in enumerate(images_and_labels[:8]):#enumerate枚举对象 前8列plt.subplot(2,4,index+1)#子图：子图的行、列、当前激活的子图序号plt.axis('off')#关闭坐标轴plt.imshow(image,cmap=plt.cm.gray_r,interpolation='nearest')#plt.imshow()函数负责对图像进行处理，并显示其格式。#cmap：将数据映射到色彩图#,interpolation='nearest'：插值方法plt.title('Digit:%i'%label,fontsize=20)
2、特征的选择
3、模型训练、模型测试、模型预测
#把数据分成训练集和测试集
from sklearn.model_selection import train_test_split
Xtrain,Xtest,Ytrain,Ytest=train_test_split(digits.data,digits.target,test_size=0.20,random_state=2)
#random_state 设置随机种子，只要random_state设置相同，结果也完全一样
#使用向量机来训练模型
from sklearn import svm
clf=svm.SVC(gamma=0.001,C=100.)
clf.fit(Xtrain,Ytrain)#训练完成
clf.score(Xtest,Ytest)#评估模型准确度
Ypred=clf.predict(Xtest)
#查看预测情况
fig,axes=plt.subplots(4,4,figsize=(8,8))
fig.subplots_adjust(hspace=0.1,wspace=0.1)
for i,ax in enumerate(axes.flat):#遍历每个坐标轴ax.imshow(Xtest[i].reshape(8,8),cmap=plt.cm.gray_r,interpolation='nearest')ax.text(0.05,0.05,str(Ypred[i]),fontsize=32,transform=ax.transAxes,color='green' if Ypred[i]==Ytest[i] else 'red')#相等是绿色，否则是红色#transform=ax.transAxes:文本的位置是以坐标轴为参照物，默认是坐标点ax.text(0.8,0.05,str(Ytest[i]),fontsize=32,transform=ax.transAxes,color='black')ax.set_xticks([])#设置x轴刻度ax.set_yticks([])#设置y轴刻度 
4、模型的保存和加载
#保存模型参数.这样下次需要预测时，可以直接模型进行 ，而不是重新遍模型。
from sklearn.externals import joblib
joblib.dump(clf,'digits_svm.pkl')#加载模型
clf_new=joblib.load('digits_svm.pkl')
ypred_new=clf_new.predict(Xtest)
clf_new.score(Ytest,ypred_new)这篇关于机器学习-手写数字识别1的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
