from sklearn.datasets import load_digits

#从通过数据加载器获得手写体数字的数码图像数据并存储在digits变量中。

digits=load_digits()

#检视数据规模和特征维度

print(digits.data.shape)

# (1797, 64)

#该书写体数字的图像数据共有1797条，并且每幅图片是由8x8=64的像素矩阵表示。

#手写字体数据分割代码

from sklearn.cross_validation import train_test_split

#随机采样25%的数据用于测试，剩下的75%用于构建训练集合

X_train,X_test,y_train,y_test=train_test_split(digits.data,digits.target,test_size=0.25,random_state=33)

print(y_train.shape)#(1347,)

print(y_test.shape)#(450,)

#使用支持向量机（分类）对手写数字图像进行识别

#从sklearn.preprocessing里导入StandardScaler数据标准化模块

from sklearn.preprocessing import StandardScaler

#从sklearn.svm导入基于线性假设的支持向量机分类LinearSVC

from sklearn.svm import LinearSVC

#标准化数据，保证每个维度的特征数据方差为1，均值为0。使得预测结果不会被某些维度过大的特征值而主导

ss=StandardScaler()

X_train=ss.fit_transform(X_train)

X_test=ss.fit_transform(X_test)

#初始化线性假设的支持向量机分类器LinearSVC

lsvc=LinearSVC()

#进行模型训练

lsvc.fit(X_train,y_train)

#利用训练好的模型对测试样本的数字类别进行预测，预测结果存储在变量y_predict中

y_predict=lsvc.predict(X_test)

#支持向量机（分类）模型对手写体数字图像识别能力的评估

#使用模型自带的评估函数进行准确性测评

print('The Accuracy of Linear SVC is',lsvc.score(X_test,y_test))

#从sklearn.metrics里导入classification_report模块

from sklearn.metrics import classification_report

print(classification_report(y_test,y_predict,target_names=digits.target_names.astype(str)))