ML入门项目（一）

最新推荐文章于 2022-07-20 19:38:40 发布

原创

最新推荐文章于 2022-07-20 19:38:40 发布 · 886 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #python

这篇博客介绍了如何使用机器学习中的SVM（支持向量机）技术来识别MNIST数据集的手写体数字。首先，通过导入必要的库和数据集，然后利用SVC估计器进行学习和预测。通过展示代码和部分结果，展示了如何进行模型训练和预测，同时验证了模型的准确性。

ML入门项目（一） svm识别手写体数字

mnist数据集是公认的最好用的入门项目数据集

文章目录

前言
一、此项目的目的？
二、步骤
- 1.引入库并导入数据集
- 2.学习预测
总结

前言

开启机器学习2个多月了，但上手流程还没有收悉走一遍，本文就介绍了机器学习入门项目，就这样干吧！！！

一、此项目的目的？

<要面对的问题为读取和解释手写体数字图像，预测图像之中的数值。这类数据分析问题，需要用到估计器（estimator）。它借助 fit() 函数进行学习，待自己的预测能力（模型足够有效）达到一定水准之后，再用 predict() 函数给出预测结果。拿到结果之后，我们还会讨论训练集和验证集。与之前不同，这两个数据集是由一系列图像组成的。

二、步骤

1.引入库并导入数据集

sklearn.svm.SVC估计器，它使用的是SVC技术。因此，你需要导入scikit-learn的svm模块。接着，创建SVC类型的估计器，并初始化设置。无需为 C 和 gamma 选项设置特殊值，使用一般值即可，分析过程中可再调整。

from sklearn import svm
svc = svm.SVC(gamma=0.001, C=100)
from sklearn import svm
svc=svm.SVC(gamma=0.001,C=100)
from sklearn import datasets
digits=datasets.load_digits()
print(digits.images[0])

手写体数字图像的数据，则存储在 digits.images 数组中。数组的每个元素表示一张图像，每个元素为8×8形状的矩阵，矩阵各项为数值类型，每个数值对应一种灰度等级，其中0对应白色，15对应黑色。
输出结果：
[[ 0. 0. 5. 13. 9. 1. 0. 0.]
[ 0. 0. 13. 15. 10. 15. 5. 0.]
[ 0. 3. 15. 2. 0. 11. 8. 0.]
[ 0. 4. 12. 0. 0. 8. 8. 0.]