05-《机器学习及实战》学习之支持向量机分类

支持向量：真正帮助决策最优线性分类模型的数据点（注意是点）。何为支持向量，说白了就是一大堆决策之中最靠谱的那个！

使用支持向量机(分类)对手写体数字图像进行识别：

# -*- coding: UTF-8 -*-
#1、手写体数据读取代码样例
#从sklearn.datasets里面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()
print digits.data.shape

#2、手写体数据分割样例
#从sklearn.cross_validation import train_test_split
#2、从sklearn.model_selection import train_test_split
from sklearn.model_selection import train_test_split
#随机选取75%\25%的数据作为训练和测试的样本数据
X_train,X_test,y_train,y_test = train_test_split(digits.data,digits.target,test_size=0.25,random_state=33)
#分别检视训练与测试数据规模
print y_train.shape
print y_test.shape

#3、使用支持向量机分类对手写体数字图像进行识别
#从sklearn.preprocessing里面导入数据标准化模块SdandardScaler
from sklearn.preprocessing import StandardScaler
#从sklearn.svm里面导入基于线性假设的支持向量机分类器LinearSVC
from sklearn.svm import LinearSVC

#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，预测结果存储在变量y_predict中
y_predict=lsvc.predict(X_test)
print y_predict

#4、在支持向量机模型分类的对手写体数码图像识别能力的评估
#使用模型自带的评估函数进行准确性评测
print 'The Accuracy of LinearSVC is :',lsvc.score(X_test,y_test)
#依然使用sklearn.metric里面的classification_report
from sklearn.metrics import classification_report
print classification_report(y_test,y_predict,target_names=digits.target_names.astype(str))


鸣谢：《机器学习及实战》编者