14、从感知机到人工神经网络：机器学习模型的进阶之旅

从感知机到人工神经网络：机器学习模型的进阶之旅

支持向量机（SVM）基础与字符分类实践

在机器学习领域，支持向量机（SVM）是一种强大的模型，可用于分类和回归任务。在进行网格搜索时，脚本会派生额外的进程，这需要在特定块中执行。首先，我们需要对特征进行缩放，并将每个特征围绕原点进行中心化处理。接着，把预处理后的数据划分为训练集和测试集。

随后，我们实例化一个支持向量分类器（SVC）对象。SVC 的构造函数有几个重要的关键字参数：
- kernel ：指定要使用的核函数，scikit - learn 提供了线性、多项式、Sigmoid 和径向基函数（RBF）等核函数的实现。
- degree ：在使用多项式核函数时需要设置该参数。
- C ：控制正则化，类似于逻辑回归中使用的 lambda 超参数。
- gamma ：是 Sigmoid、多项式和 RBF 核函数的核系数。

设置这些超参数具有一定挑战性，因此我们通过网格搜索来进行调优。最佳模型的平均 F1 分数为 0.86，通过使用超过前 10000 个实例进行训练，该分数还可以进一步提高。

下面我们尝试一个更具挑战性的问题：对自然图像中的字母数字字符进行分类。Chars74K 数据集包含超过 74000 张 0 - 9 数字以及英文字母大小写的图像。我们将使用从印度班加罗尔街头场景照片中提取的 7705 张字符图像。与 MNIST 数据集不同，Chars74K 数据集中的图像以各种字体、颜色和干扰形式描绘字符。

以下是加载和处理图像的代