第一部分： 1、利用 sklearn 获得数据集提取，并利用 matplotlib 对数据进行显示； 2、按照一定比例，把数据集划分测试集与测试集； 3、利用 SVM 算法实现手写体识别，并统计测试集错误率。

好的，我来为你讲解一下实现手写体识别的具体步骤。

1.数据集提取与显示

首先，我们需要加载手写数字数据集，这个数据集可以通过 scikit-learn 库中的 load_digits 函数进行加载。

from sklearn.datasets import load_digits

digits = load_digits()

我们可以使用 matplotlib 库中的 imshow 函数，将数据集中的数字图像显示出来。

import matplotlib.pyplot as plt

plt.imshow(digits.images[0], cmap = 'gray')
plt.show()

2.数据集划分

将数据集分为训练集和测试集，可以使用 scikit-learn 库中的 train_test_split 函数，它可以将数据集按照一定比例进行划分。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size = 0.2, random_state = 42)

3.SVM算法实现手写体识别，并统计测试集错误率

接下来，我们使用支持向量机（SVM）算法对手写数字进行分类，可以使用 scikit-learn 库中的 SVM 模型。

from sklearn import svm

clf = svm.SVC(gamma = 0.001, C = 100.)
clf.fit(X_train, y_train)

训练完成后，我们可以使用测试集进行测试，并统计错误率。

from sklearn.metrics import accuracy_score

y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
error_rate = 1 - accuracy
print('错误率：', error_rate)

这样就完成了手写数字识别的实现。完整代码如下：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 加载数据集
digits = load_digits()

# 显示第一张图像
plt.imshow(digits.images[0], cmap = 'gray')
plt.show()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size = 0.2, random_state = 42)

# SVM算法训练
clf = svm.SVC(gamma = 0.001, C = 100.)
clf.fit(X_train, y_train)

# 测试集测试
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
error_rate = 1 - accuracy
print('错误率：', error_rate)

希望可以帮助你实现手写数字识别。