scikit-learn机器学习初体验

digits = datasets . load_digits ()

# 这里我们感兴趣的数据是不同灰度的 8x8 个小格子组成的图像

# 如果我们直接使用图像进行处理，就需要使用 pylab.imread 来加载图像数据，而且这些图像数据必须都是 8x8 的格式

# 对于这个 dataset 中的图像，dataset.target 给出了它们实际对应的数字

images_and_labels = list ( zip ( digits . images , digits . target ))

for index , ( image , label ) in enumerate ( images_and_labels [: 4 ]):

plt . subplot ( 2 , 4 , index + 1 )

plt . axis ( 'off' )

plt . imshow ( image , cmap = plt . cm . gray_r , interpolation = 'nearest' )

plt . title ( 'Training: %i' % label )

# 为了使用分类器，需要将每个表示手写图像的 8x8 数字转换为一个数字数组

# 这样 digits.images 就变为了(采样，采样特性)的一个矩阵

n_samples = len ( digits . images )

data = digits . images . reshape (( n_samples , - 1 ))

print ( digits . images [ 0 ])

print ( data [ 0 ])

# 创建一个分类器，这里 gamma 的值是给定的，可以通过 grid search 和 cross validation 等技术算出更好的值。

# 下面的链接有个例子是自己算 gamma：

# http://efavdb.com/machine-learning-with-wearable-sensors/

classifier = svm . SVC ( gamma = 0.001 )

# 用前半部分数据训练分类器

classifier . fit ( data [: n_samples / 2 ], digits . target [: n_samples / 2 ])

# 对后半部分数据使用训练好的分类器进行识别

expected = digits . target [