这个例子显示怎样使用scikit-learn识别手写数字图像。关于手写数字数据集的详细介绍，请看《Python实例第3讲》。

实例详解

首先，加载matplotlib.pyplot绘图库和导入数据集、svm(支持向量机)分类器和分类测度模块。

import matplotlib.pyplot as plt
from sklearn import datasets, svm, metrics

导入数据集

digits数据集由 8×8 \small{8\times 8}8×8 的手写数字图像组成，这些图像存储在数据集的images属性里。让我们看一看前4幅图像，每幅图像有相同的大小，它代表的实际数字在targets属性里。

digits = datasets.load_digits()

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)

plt.show()   


为了在数据集上应用一个分类器，我们需要将图像“变平”，也就是，把一幅图像等价地转换成一个(样本，特征)矩阵。

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

分类学习

现在，产生一个svm分类器，并且在前一半的数据上训练该分类器。

classifier = svm.SVC(gamma=0.001)
classifier.fit(data[:n_samples // 2], digits.target[:n_samples // 2])
1
2
然后，用训练好的分类器预测后一半数字，并计算预测精度矩阵。

expected = digits.target[n_samples // 2:]
predicted = classifier.predict(data[n_samples // 2:])

print("Classification report for classifier %s:\n%s\n"
      % (classifier, metrics.classification_report(expected, predicted)))
print("Confusion matrix:\n%s" % metrics.confusion_matrix(expected, predicted))



最后，可视化预测结果。

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.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
    plt.title('Prediction: %i' % prediction)

plt.show()

---------------------
【转载】
作者：Goodsta
原文：https://blog.csdn.net/wong2016/article/details/83718676

看一看。