c#split方法拆分为数据_Python数据分析及可视化实例之手写体数字识别

太过爱你忘了你带给我的痛 2023-01-04 13:19 119阅读 0赞

![002799fbd0f3adf5a0570cb84b352b22.png][]

![036139ba83a6a453b35b6f97225d2496.png][]

系列文章总目录：Python数据分析及可视化实例目录

--------------------

![23002fb36edb71dfa299aeb9822097a5.png][]

**Talk is cheap , show U the code.**

该源码注释比较全面，需要对SKlearn有一定的了解，

当然，你也可以把它视作黑箱，做个调包侠也是大侠。

手写体数字识别 MNIST 数据集

![064577d3df1358e1f16bb2ba5e56bf4d.png][]

**基于线性假设的支持向量机分类器LinearSVC**

# coding: utf-8
    
    # In[1]:
    
    # 从sklearn.datasets里导入手写体数字加载器。
    from sklearn.datasets import load_digits
    # 从通过数据加载器获得手写体数字的数码图像数据并储存在digits变量中。
    digits = load_digits()
    # 检视数据规模和特征维度。
    digits.data.shape
    
    
    # In[2]:
    
    # 从sklearn.cross_validation中导入train_test_split用于数据分割。
    from sklearn.model_selection import train_test_split
    # 随机选取75%的数据作为训练样本；其余25%的数据作为测试样本。
    X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.25, random_state=33)
    
    
    # In[3]:
    
    y_train.shape
    
    
    # In[4]:
    
    y_test.shape
    
    
    # In[5]:
    
    # 从sklearn.preprocessing里导入数据标准化模块。
    from sklearn.preprocessing import StandardScaler
    # 从sklearn.svm里导入基于线性假设的支持向量机分类器LinearSVC。
    from sklearn.svm import LinearSVC
    # 从仍然需要对训练和测试的特征数据进行标准化。
    ss = StandardScaler()
    X_train = ss.fit_transform(X_train)
    X_test = ss.transform(X_test)
    # 初始化线性假设的支持向量机分类器LinearSVC。
    lsvc = LinearSVC()
    #进行模型训练
    lsvc.fit(X_train, y_train)
    # 利用训练好的模型对测试样本的数字类别进行预测，预测结果储存在变量y_predict中。
    y_predict = lsvc.predict(X_test)
    
    
    # In[6]:
    
    # 使用模型自带的评估函数进行准确性测评。
    'The Accuracy of Linear SVC is', lsvc.score(X_test, y_test)
    
    
    # In[7]:
    
    # 依然使用sklearn.metrics里面的classification_report模块对预测结果做更加详细的分析。
    from sklearn.metrics import classification_report
    print(classification_report(y_test, y_predict, target_names=digits.target_names.astype(str)))

**新手可查阅历史文章：**

yeayee：Python数据分析及可视化实例目录zhuanlan.zhihu.com

![fe99fac213aa9171056d3cfd6a131028.png][]

![036139ba83a6a453b35b6f97225d2496.png][]

[002799fbd0f3adf5a0570cb84b352b22.png]: /images/20221119/58b69d902bc74f53897e0e43c2939346.png
[036139ba83a6a453b35b6f97225d2496.png]: /images/20221119/cf3e4adde882490d940648ca8956d69b.png
[23002fb36edb71dfa299aeb9822097a5.png]: /images/20221119/234601fc0bd14aa18851dcab49642102.png
[064577d3df1358e1f16bb2ba5e56bf4d.png]: /images/20221119/a77143fb0c10438fa23e017ca2a7aacb.png
[fe99fac213aa9171056d3cfd6a131028.png]: /images/20221119/667a41cd5a1846cb9bc42e0d35321a4d.png