SVM对sklearn自带手写数字数据集进行分类

SVM（支持向量机）是一种强大的监督学习算法，常用于二分类和多分类问题。在scikit-learn库中，我们可以利用`sklearn.datasets.load_digits()`加载预处理的手写数字数据集，然后使用`SVC` (Support Vector Classifier) 类来进行分类。

首先，你需要导入必要的库和模块：

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 accuracy_score

接着，加载数据并分割成训练集和测试集：

digits = datasets.load_digits()
X = digits.data
y = digits.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)

为了提高SVM的效果，通常会对数值特征进行标准化（如归一化）：

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

然后创建SVM模型并训练它：

svm_model = SVC(kernel='linear' or 'rbf', C=1) # 根据需求选择核函数和正则化参数
svm_model.fit(X_train, y_train)

最后，用训练好的模型进行预测，并计算准确率：

y_pred = svm_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")