SVM对sklearn自带手写数字数据集进行分类用Python做

使用Python和scikit-learn库对sklearn自带的Digits手写数字数据集进行分类的过程大致如下：

1. **导入所需库**：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix

2. **加载数据**：

digits = datasets.load_digits()
X = digits.data # 特征数据
y = digits.target # 标签数据

3. **数据预处理**：
- 分割数据：将数据划分为训练集和测试集
- 归一化：对于SVM，标准化数据有利于提高模型性能

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

4. **模型创建和训练**：

svm_model = SVC(kernel='linear') # 使用线性内核，也可以尝试其他核函数如'rbf'
svm_model.fit(X_train, y_train)

5. **模型预测**：

y_pred = svm_model.predict(X_test)

6. **评估结果**：

print("Classification Report:\n", classification_report(y_test, y_pred))
conf_mat = confusion_matrix(y_test, y_pred)
print("\nConfusion Matrix:\n", conf_mat)