#加载数据集 digits = load_digits() #创建dataframe data = pd.DataFrame(digits.data, columns = digits.feature_names) data['class'] = digits.target#加载数据集 digits = load_digits() #创建dataframe data = pd.DataFrame(digits.data, columns = digits.feature_names) data['class'] = digits.target#训练模型：线性SVM clf1 = svm.LinearSVC() # 这里的参数gamma和C可以根据需要进行调整 clf1.fit(X_train, y_train) y_predict = clf1.predict(X_test) #y测试集预估 print("线性SVM测试集准确率:", clf1.score(X_test, y_test)) print("线性SVM", classification_report(y_test, clf1.predict(X_test))) #模型训练：RBF核函数SVM clf2 = svm.SVC() # 这里的参数gamma和C可以根据需要进行调整 clf2.fit(X_train, y_train) y_predict = clf2.predict(X_test) #y测试集预估 print("RBF核函数SVM准确率:", clf2.score(X_test, y_test)) print("RBF核函数SVM", classification_report(y_test, clf2.predict(X_test)))

这段代码是用来训练两个不同的支持向量机（SVM）模型，一个是使用线性核函数的线性SVM模型，另一个是使用高斯径向基核函数的SVM模型。先加载了手写数字数据集，然后将其转换为DataFrame格式，并将目标变量添加到数据帧中。接着，使用训练集训练两个不同的SVM模型，分别是线性SVM和RBF核函数SVM，并使用测试集进行评估，输出它们的准确率和分类报告。