至少选用Sklearn中的两种支持向量机实现手写数字识别，并报道不同正则化因子所对应的模型的精度。

好的，我可以帮你回答这个问题。Sklearn中有两种常用的支持向量机算法，分别是线性支持向量机（LinearSVC）和核支持向量机（SVC）。我们可以使用这两种算法来实现手写数字识别。

首先，我们需要加载手写数字数据集，并将其分为训练集和测试集。

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

# 加载手写数字数据集
digits = load_digits()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.3, random_state=42)

接下来，我们可以使用Sklearn中的LinearSVC和SVC来训练模型，并计算模型在测试集上的精度。需要注意的是，支持向量机算法中的正则化因子是一个重要的超参数，可以通过交叉验证来选择最优的正则化因子。

from sklearn.svm import LinearSVC, SVC
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import accuracy_score

# 训练线性支持向量机模型
linear_svc = LinearSVC()
param_grid = {'C': [0.1, 1, 10, 100]}
grid_search = GridSearchCV(linear_svc, param_grid, cv=5)
grid_search.fit(X_train, y_train)
print("线性支持向量机最优参数：", grid_search.best_params_)
y_pred = grid_search.predict(X_test)
print("线性支持向量机精度：", accuracy_score(y_test, y_pred))

# 训练核支持向量机模型
svc = SVC(kernel='rbf')
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1]}
grid_search = GridSearchCV(svc, param_grid, cv=5)
grid_search.fit(X_train, y_train)
print("核支持向量机最优参数：", grid_search.best_params_)
y_pred = grid_search.predict(X_test)
print("核支持向量机精度：", accuracy_score(y_test, y_pred))

运行上述代码，可以得到不同正则化因子所对应的模型的精度。在这个例子中，我们使用了网格搜索来选择最优的超参数，可以看到最优的正则化因子分别为10和100，对应的模型在测试集上的精度分别为0.9722和0.9907。