svm 手写识别分类 向量机 测试集和数据集均为txt组成的文件夹 以上功能用python代码实现

下面是实现手写数字识别的SVM分类器的Python代码：

import os
import numpy as np
from sklearn import svm


def load_data(path):
    """
    从文件夹中加载数据
    """
    files = os.listdir(path)
    data = []
    labels = []
    for file in files:
        with open(os.path.join(path, file), 'r') as f:
            content = f.read()
            content = content.strip().split(',')
            label = int(content[0])
            img = np.array([int(x) for x in content[1:]])
            data.append(img)
            labels.append(label)
    return np.array(data), np.array(labels)


def train_svm(train_data, train_labels, c=1.0, kernel='linear'):
    """
    训练svm模型
    """
    clf = svm.SVC(C=c, kernel=kernel)
    clf.fit(train_data, train_labels)
    return clf


def test_svm(test_data, test_labels, clf):
    """
    测试svm模型
    """
    pred_labels = clf.predict(test_data)
    correct = np.sum(pred_labels == test_labels)
    accuracy = correct / len(test_labels)
    return accuracy


if __name__ == '__main__':
    train_data, train_labels = load_data('train')
    test_data, test_labels = load_data('test')
    clf = train_svm(train_data, train_labels)
    accuracy = test_svm(test_data, test_labels, clf)
    print('Accuracy:', accuracy)

其中，load_data()函数用于从文件夹中读取数据，train_svm()函数用于训练SVM模型，test_svm()函数用于测试SVM模型。

在这个代码中，我们使用sklearn库中的SVC函数来训练和测试SVM模型。具体来说，我们首先从文件夹中读入训练数据和测试数据，然后使用train_svm()函数训练SVM模型，并将训练好的模型传入test_svm()函数中进行测试。最终输出测试准确率。

需要注意的是，在load_data()函数中，我们读取的数据是以逗号分隔的文本文件，其中第一行是标签，后面的行是像素值。我们将标签和像素值分别保存在labels和data数组中。在训练SVM模型时，我们使用了线性核函数，C值为1.0。

如果要使用其他核函数，可以将kernel参数设置为‘rbf’或者‘poly’等。同时，如果要调整C值，可以尝试不同的值来寻找最优的C值。