(线性支持向量机)手写数字识别
2018-02-18 19:37
288 查看
from sklearn.datasets import load_digits digits=load_digits() digits.data.shape from sklearn.cross_validation import train_test_split X_train,X_test,y_train,y_test=train_test_split(digits.data,digits.target,test_size=0.25,random_state=33) y_train.shape y_test.shape from sklearn.preprocessing import StandardScaler from sklearn.svm import LinearSVC ss=StandardScaler() X_train=ss.fit_transform(X_train) X_test=ss.transform(X_test) lsvc=LinearSVC() lsvc.fit(X_train,y_train) y_predict=lsvc.predict(X_test) print "The Accuracy of Linear SVC is",lsvc.score(X_test,y_test) from sklearn.metrics import classification_report print classification_report(y_test,y_predict,target_names=digits.target_names.astype(str))
相关文章推荐
- 【Kaggle笔记】手写数字识别分类(线性支持向量机)
- 基于Fisher线性判别分析的手写数字识别
- 机器学习(10.3)--手写数字识别的不同算法比较(3)--支持向量机(SVM)算法
- 手写数字0-9的识别代码(SVM支持向量机)
- 2. 机器学习实践之手写数字识别 - 初步特征选择及线性识别
- 利用支持向量机(SVM)做手写数字识别
- 各种机器学习方法(线性回归、支持向量机、决策树、朴素贝叶斯、KNN算法、逻辑回归)实现手写数字识别并用准确率、召回率、F1进行评估
- 利用SVM(支持向量机)和MNIST库在OpenCV环境下实现手写数字0~9的识别
- 深度学习-灰度平均值算法和支持向量机算法(SVM)进行手写数字识别
- tensorflow识别手写数字(2)
- tensorflow识别自己手写数字
- KNN分类算法实现手写数字识别
- MNIST手写数字的识别——CNN篇
- [置顶] Caffe学习笔记(六):mnist手写数字识别训练实例
- Neural Networks and Deep Learning之中文翻译-第一章 用神经网络识别手写数字
- 初识神经网络--识别手写数字
- PK/NN/*/SVM:实现手写数字识别(数据集50000张图片)比较3种算法神经网络、灰度平均值、SVM各自的准确率—Jason niu
- Machine Learning in Action_CH2_3_使用kNN手写数字识别
- 读书笔记-神经网络与深度学习(一)-使用神经网络识别手写数字
- tensorFlow识别手写数字