用sklearn编写一个数字识别系统

用scikit-learn（sklearn）创建一个简单的数字识别系统通常涉及以下几个步骤：

1. **数据预处理**：首先，你需要一个手写数字的数据集，如MNIST（Modified National Institute of Standards and Technology）。这个数据集包含了训练集和测试集，用于模型的学习和评估。

from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784')

2. **数据加载与分割**：将数据集分为特征（图像像素）和目标变量（数字标签），然后进行归一化或标准化。

X_train, y_train = mnist['data'], mnist['target']
X_train, X_test, y_train, y_test = train_test_split(X_train, y_train, test_size=0.2)
X_train /= 255.0  # 归一化到0-1范围

3. **模型选择**：可以选择线性模型（如SVM、Logistic Regression）、决策树、随机森林或者深度学习模型（如Keras集成在sklearn API里）。这里我们以线性SVM为例：

from sklearn.svm import SVC
model = SVC(gamma='scale')  # 使用默认的核函数和参数

4. **模型训练**：

   model.fit(X_train, y_train)

5. **预测与评估**：

   predictions = model.predict(X_test)
   from sklearn.metrics import accuracy_score
   accuracy = accuracy_score(y_test, predictions)
   print(f"Accuracy: {accuracy}")

6. **模型优化**：如果需要，可以调整模型超参数或尝试其他算法以提高性能。

注意：在实际应用中，你可能还需要进行数据增强、特征工程等操作来提升模型的表现。此外，使用深度学习库（如TensorFlow或PyTorch）结合Keras或torchvision库能获得更好的结果。