用sklearn实现手写数字识别

训练数据来源于sklearn的datasets

sklearn是通用的机器学习数据库，能实现分类和回归的目的。这篇文章主要聚焦实现手写数字识别。datasets的数据集有若干个手写数字图片，大小完全一致，每张图片取8*8=64个像素点信息，相当的粗糙。

先上结果

上面四幅图是我们要训练的数据和他对应的标签，都是对的。

下面四幅图是训练之后，给定数字对应的预测的结果，有一定模糊性

2. metrics.classification_report(expected, predicted))一个打分报告。精度都还可以大于90%，最后一列代表共899次的预测里，88次预测了0,91次预测了1，86次预测了2，我用投票代表我的态度。

3.混淆矩阵metrics.confusion_matrix(expected, predicted)

第一行代表对数字‘0’的预测中（87次right，1次wrong（正确为‘4’））

第二行代表对数字'1'的预测中（88次right，3次wrong（正确分别为2,8,9））~~~

下文附完整代码：

import matplotlib.pyplot as plt #画图用

from sklearn import datasets,svm,metrics #数据集，分类器，评价器

digits=datasets.load_digits()

images_and_labels=list(zip(digits.images,digits.target)) #组合自变量和因变量

#enumerate方法，把一个itarable和index结合到一起

#把一个大图分成2*4个小图，在第index+1的图片上画图，标签叫----

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

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

plt.axis('off')

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

n_samples=len(digits.images) #看看有多少个数据

classfier=svm.SVC(gamma=0.001) #分类机用支持向量机里的SVC

classfier.fit(data[:n_samples//2],digits.target[:n_samples//2]) #train

predicted=classifier.predict(data[n_samples//2:])#test，predict结果

expected=digits.target[n_samples//2:] #标签数据，预期结果

#最后一步啦，要对最后test的结果评价一下，模型到低做的怎么样

#第一种打分metrics.classification_report(expected,predicted)

print("Classification report for classifier %s:\n%s\n"

%(classifier,metrics.classification_report(expected,predicted)))

#第二种打分，混淆矩阵

print("Confusion matrix:\n%s" % metrics.confusion_matrix(expected, predicted))

#画出预测的图

images_and_predictions=list(zip(digits,images[n_samples//2:],predicted))

for index,(image,prediction) in enumerate(images_and_predictions[:4]):

plt.subplot(2,4,index+5)

plt.axis('off')

plt.title('Prediction:%i'%prediction)

plt.show()