SVM识别手写数字

"""
https://mp.weixin.qq.com/s/SL57KglCbNDoONSKFmXRtA
支持向量机（SVM）
支持向量机用于分类和回归问题。比如，识别手写数字。
"""
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_digits

from matplotlib import pyplot as plt

import  cv2


# 加载数据集:load_digits为sklearn中自带的数据集(MNIST)
data = load_digits()
X = data.data
y = data.target

#  展示前十个数据的图像
# https://blog.csdn.net/m0_59611146/article/details/136797721
fig, ax = plt.subplots(
    nrows=2,
    ncols=5,
    sharex=True,
    sharey=True, )
ax = ax.flatten()
for i in range(10):
    ax[i].imshow(data.data[i].reshape((8, 8)), cmap='Greys', interpolation='nearest')
    ax[i].set_title(data.target[i])
plt.show()


# 划分训练集和测试集
"""
Code            意义
train_data     待划分的样本特征集合
X_train        划分出的训练数据集数据
X_test         划分出的测试数据集数据
y_train        划分出的训练数据集的标签
y_test         划分出的测试数据集的标签
test_size      若在0~1之间，为测试集样本数目与原始样本数目之比；若为整数，则是测试集样本的数目
random_state   随机数种子，不同的随机数种子划分的结果不同
stratify         stratify是为了保持split前类的分布，例如训练集和测试集数量的比例是 A：B= 4：1，等同于split前的比例（80：20）。通常在这种类分布不平衡的情况下会用到stratify。                       
原文链接：https://blog.csdn.net/weixin_42888180/article/details/133644922
"""
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建模型
model = SVC()

# 训练模型
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)
print(predictions[0])


# 模型评估
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy * 100:.2f}%")

# 预测单张图片
"""
img = cv2.imread('digit.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img = cv2.resize(img,(8,8))

#data = img.reshape(1,-1)
r= model.predict(img.reshape(1,-1))
print(r[0])
"""

"""
opencv也有SVM的算法
"""

"""
SVM全称是Supported Vector Machine（支持向量机）
即寻找到一个超平面使样本分成两类，并且间隔最大。
是一种监督学习算法，主要用于分类，也可用于回归
与逻辑回归和决策树等其他分类器相比，SVM 提供了非常高的准确度

优缺点
优点：
适合小样本、高纬度数据，比较强泛化能力
可有效地处理高维数据；可使用不同的核函数来适应不同的数据类型

缺点：
计算复杂度较高，对于大规模数据的处理可能会存在困难                       
原文链接：https://blog.csdn.net/m0_60916732/article/details/143006521
"""