使用支持向量机来完成一个实例
时间: 2023-08-28 08:03:56 浏览: 53
好!这里有一个使用支持向量机(SVM)完成手写数字识别的实例。我们将使用scikit-learn库中的数字数据集(digits dataset)来训练和测试模型。
```python
# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score
# 加载数字数据集
digits = datasets.load_digits()
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=0.2, random_state=42)
# 创建SVM分类器对象
clf = svm.SVC()
# 在训练集上训练模型
clf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)
```
在这个实例中,我们加载了手写数字的数据集,并将其划分为训练集和测试集。然后,我们创建了一个SVC对象(即SVM分类器)并在训练集上训练模型。最后,我们使用测试集进行预测,并计算准确率。
这个实例展示了如何使用SVM来进行手写数字识别。当然,在实际应用中,你可以根据需要进行更多的数据处理、特征工程和模型调优来提高准确率。希望对你有所帮助!