服装网站建设价格找回今日头条

        本项目将使用 scikit-learn 库，基于 支持向量机（SVM） 模型来构建一个手写数字识别系统。数据集选用 MNIST，其中包含 0-9 的手写数字图像，每张图片是 8×8 像素的灰度图。

项目步骤

1. 安装必要的库
2. 加载数据集
3. 数据预处理
4. 划分训练集和测试集
5. 训练 SVM 模型
6. 模型评估
7. 测试并可视化结果

1. 安装必要的库

确保你的 Python 环境已安装以下库：

pip install numpy pandas scikit-learn matplotlib

 

2. 加载数据集

我们使用 sklearn.datasets.load_digits() 加载 MNIST 数据集的一个小型版本（8×8 图像）。

from sklearn import datasets# 加载手写数字数据集
digits = datasets.load_digits()# 查看数据集的大小
print(f"数据集样本数量: {len(digits.images)}")

3. 数据预处理

我们需要将 8×8 的图像转换为 一维数组（64 个特征），以便输入到 SVM 模型中。

import matplotlib.pyplot as plt
import numpy as np# 显示前 5 张图片
fig, axes = plt.subplots(1, 5, figsize=(10, 3))
for i, ax in enumerate(axes):ax.imshow(digits.images[i], cmap='gray')ax.set_title(f"Label: {digits.target[i]}")
plt.show()# 将数据转换为 (n_samples, n_features) 形式
X = digits.images.reshape((len(digits.images), -1))
y = digits.target

4. 划分训练集和测试集

我们使用 train_test_split 将数据集拆分为 80% 训练集 和 20% 测试集。

from sklearn.model_selection import train_test_split# 划分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)print(f"训练集样本数: {len(X_train)}, 测试集样本数: {len(X_test)}")

5. 训练 SVM 模型

支持向量机（SVM）是一个强大的分类算法，特别适合中小型数据集。

from sklearn.svm import SVC# 创建 SVM 分类器
clf = SVC(kernel='linear')# 训练模型
clf.fit(X_train, y_train)print("模型训练完成！")

6. 评估模型

我们在测试集上评估模型的准确率。

from sklearn.metrics import accuracy_score# 进行预测
y_pred = clf.predict(X_test)# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2f}")

7. 测试并可视化结果

我们从测试集中随机选取一些样本进行预测，并显示结果。

import random# 随机选择 5 个样本
sample_indices = random.sample(range(len(X_test)), 5)
sample_images = X_test[sample_indices].reshape(-1, 8, 8)  # 变回 8×8 形状
sample_labels = y_test[sample_indices]
sample_preds = clf.predict(X_test[sample_indices])# 显示预测结果
fig, axes = plt.subplots(1, 5, figsize=(10, 3))
for i, ax in enumerate(axes):ax.imshow(sample_images[i], cmap='gray')ax.set_title(f"真实: {sample_labels[i]}\n预测: {sample_preds[i]}")
plt.show()

总结

通过本项目，我们完成了一个完整的 机器学习分类任务： ✅ 加载数据
✅ 数据预处理（转换 8×8 图像为 64 维特征）
✅ 划分数据集
✅ 训练 SVM 分类器
✅ 模型评估（计算准确率）
✅ 可视化预测结果