使用SVM对手写体数字图片分类 实验目的: 会用Python创建多分类SVM模型; 使用多分类SVM模型对手写体数字图片分类; 会对分类结果进行评价。 实验内容: 使用sklearn.svm类对手写体数字图片进行分类 训练数据:digits_training.csv 测试数据:digits_testing.csv 第1列是类别,其他列是特征属性。 先对1类和2类的数据进行计算,得到1类和2类的分割超平面,然后对2类和3类的数据进行计算,以此类推,直到两两类别分别完成计算。 在用模型做预测时,对两两类别之间的分割超平面分别进行匹配,统计有多少次判别将其华分类1类,多少次判别为2类…,判定所属类别次数最多的就是最后预测的类别。 载入训练数据、分出特征属性和类别,对特征属性标准化,显示读入数据的行数 xTrain = trainData[:,1:NTrain] yTrain = trainData[:,0] 标准化函数 def normalizeData(X): return (X - X.mean())/X.max() 训练多分类SVM模型 model = svm.SVC(decision_function_shape='ovo') 保存训练模型名字为“svm_classifier_model1.m” 载入测试数据,分出特征属性和类别,对特征属性标准化,显示读入数据的行数 使用模型对测试集进行预测,显示预测错误数据的数目、预测数据的准确率和模型内建正确率
时间: 2024-04-02 15:36:19 浏览: 19
这个实验看起来是一个基于SVM的手写数字识别的实验,步骤大致如下:
1. 载入训练数据和测试数据,分出特征属性和类别。
2. 对特征属性进行标准化。
3. 训练多分类SVM模型,使用'ovo'(一对一)的决策函数形式。
4. 保存训练好的模型。
5. 使用模型对测试集进行预测,计算预测错误的数据数量、预测数据的准确率以及模型内建的正确率。
需要注意的是,在这个实验中,对于每一对类别,都需要训练一个SVM模型,需要循环执行步骤3到步骤5,最终将所有的结果汇总。
另外,标准化函数的实现可能需要根据具体情况进行调整,例如可以使用sklearn.preprocessing模块中的StandardScaler类来实现标准化。
相关问题
使用SVM对手写体数字图片分类python代码实现
以下是一个基于 SVM 的手写数字图片分类的 Python 代码实现:
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score
# 导入手写数字数据集
digits = datasets.load_digits()
# 获取数据和标签
X = digits.data
y = digits.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# 训练 SVM 模型
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算分类准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
在这个实现中,我们首先使用 `sklearn` 库中的 `load_digits` 函数加载手写数字数据集。然后,我们将数据集划分为训练集和测试集,并使用 SVM 模型进行训练。最后,我们使用训练好的模型对测试集进行预测,并计算分类准确率。
需要注意的是,在实际应用中,我们还需要对数据进行预处理、特征工程等操作,以提高模型的预测能力。此外,在 SVM 模型的训练中,还需要选择合适的核函数和超参数,以达到更好的分类效果。
使用Python创建多分类svm模型
使用Python创建多分类SVM模型可以使用scikit-learn库中的SVM分类器。以下是一个简单的示例:
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1, decision_function_shape='ovr')
# 训练模型
clf.fit(X_train, y_train)
# 预测结果
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
在这个示例中,我们使用鸢尾花数据集进行了多分类SVM模型的训练和测试。首先,我们加载数据集并将其划分为训练集和测试集。然后,我们使用SVM分类器创建了一个分类器对象,并使用训练数据对其进行训练。最后,我们使用测试数据对模型进行测试,并计算准确率。
需要注意的是,当使用SVM进行多分类时,需要指定decision_function_shape参数为ovr(one-vs-rest)或ovo(one-vs-one)。ovr表示使用一对多的策略进行多分类,而ovo表示使用一对一的策略进行多分类。在上面的示例中,我们指定了ovr策略。
相关推荐
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)