SVM数字识别算法简单代码

这是一个基于Python的SVM数字识别算法简单代码：

import numpy as np
from sklearn.svm import SVC
from sklearn import datasets
from sklearn.model_selection import train_test_split
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

# 训练和测试集分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 构建SVM模型
model = SVC(kernel='linear', C=1, gamma=0.001)

# 训练模型
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 打印模型准确率
print("Accuracy:", accuracy_score(y_test, y_pred))

运行结果：

Accuracy: 0.9777777777777777

这个算法使用SVM来分类手写数字图像，并给出了算法的准确率。

相关问题

opencv数字识别算法代码

基于OpenCV的数字识别算法代码如下所示[^1]：

#include <iostream>
#include <fstream>
#include <sstream>
#include <vector>
#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>

using namespace std;
using namespace cv;
using namespace cv::ml;

// 读取训练数据
void readData(const string& filename, Mat& data, Mat& labels) {
    ifstream file(filename);
    if (!file.is_open()) {
        cerr << "无法打开文件: " << filename << endl;
        exit(-1);
    }

    vector<vector<float>> values;
    string line;
    while (getline(file, line)) {
        stringstream ss(line);
        vector<float> row;
        float value;
        while (ss >> value) {
            row.push_back(value);
        }
        values.push_back(row);
    }

    data = Mat(values.size(), values[0].size() - 1, CV_32F);
    labels = Mat(values.size(), 1, CV_32S);

    for (int i = 0; i < values.size(); i++) {
        for (int j = 0; j < values[i].size() - 1; j++) {
            data.at<float>(i, j) = values[i][j];
        }
        labels.at<int>(i, 0) = values[i][values[i].size() - 1];
    }
}

int main() {
    // 读取训练数据
    Mat trainData, trainLabels;
    readData("train.txt", trainData, trainLabels);

    // 创建SVM分类器
    Ptr<SVM> svm = SVM::create();
    svm->setType(SVM::C_SVC);
    svm->setKernel(SVM::LINEAR);
    svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));

    // 训练SVM分类器
    svm->train(trainData, ROW_SAMPLE, trainLabels);

    // 保存训练好的模型
    svm->save("svm_model.xml");

    // 加载测试数据
    Mat testData, testLabels;
    readData("test.txt", testData, testLabels);

    // 预测测试数据
    Mat predictions;
    svm->predict(testData, predictions);

    // 计算准确率
    int correct = 0;
    for (int i = 0; i < predictions.rows; i++) {
        if (predictions.at<float>(i, 0) == testLabels.at<int>(i, 0)) {
            correct++;
        }
    }
    float accuracy = (float)correct / predictions.rows * 100;
    cout << "准确率: " << accuracy << "%" << endl;

    return 0;
}

请注意，这只是一个示例代码，实际使用时需要根据具体情况进行修改和调整。

svm图像识别代码python

Support Vector Machines (SVM) 是一种常用的监督学习算法，常用于分类和回归问题。在Python中，我们可以使用Scikit-learn库来实现图像识别中的SVM。以下是一个简单的示例，展示如何使用SVM对图像数据进行分类：

# 导入所需库
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
import matplotlib.pyplot as plt
import numpy as np

# 加载数据集（例如MNIST手写数字数据）
digits = datasets.load_digits()
X = digits.data
y = digits.target

# 数据预处理（归一化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建SVM分类器
svm_classifier = SVC(kernel='linear')  # 使用线性核函数

# 训练模型
svm_classifier.fit(X_train, y_train)

# 预测
y_pred = svm_classifier.predict(X_test)

# 评估性能
print("Classification Report:")
print(classification_report(y_test, y_pred))
conf_mat = confusion_matrix(y_test, y_pred)
print("Confusion Matrix:")
print(conf_mat)

# 可视化决策边界（仅适用于二维数据）
if digits.images.shape == 2:  # 假设我们正在处理二维图像
    plt.imshow(scaler.inverse_transform(X_scaled[::50, ::50]).reshape(8, 8), cmap='gray')
    plt.scatter(X_scaled[y_train==0, 0], X_scaled[y_train==0, 1], color='red', marker='o', label='Class 0')
    plt.scatter(X_scaled[y_train==1, 0], X_scaled[y_train==1, 1], color='blue', marker='x', label='Class 1')
    plt.xlabel('Feature 1')
    plt.ylabel('Feature 2')
    plt.legend()
    plt.title('SVM Decision Boundaries')
    plt.show()

#