机器学习（scikit-Learn）

# 导入python自带的数据集,及svm训练模型
from sklearn import datasets
from sklearn import svm
# 对预测模型进行打分，精确度
from sklearn.metrics import accuracy_score
# 导入 iris数据集和digits数据集
iris=datasets.load_iris()
digits=datasets.load_digits()
# 查看数据集
# print(iris.data)
# # 数据集规模
# print(iris.data.shape)
# # 分类,预测花瓣的种类，有三类
# print(iris.target_names)
# # 标签，需要经过分类
# print(iris.target)
#
# print(digits.data)
# print(digits.data.shape)
# # 根据数字图片的dpi预测数字
# print(digits.target_names)
# # 8*8有64种标签
# print(digits.target)

# 在训练集上训练模型,svm模型(支持向量积，分类器),.fit训练模型
svm_classifier=svm.SVC(gamma=0.01,C=100)
# 模型参数需要调试，根据经验选择
# svm_classifier=svm.SVC(gamma=100,C=1)
# 需要将数据分类，分成训练数据集和测试数据集一般为8:2或者7：3
n_test=100
train_x=digits.data[:-n_test,:]
train_y=digits.target[:-n_test]
test_x=digits.data[-n_test:,:]
y_true=digits.target[-n_test:]

# 训练模型
svm_classifier.fit(train_x,train_y)
# 用测试集测试模型
y_predict=svm_classifier.predict(test_x)
print(y_predict)
# 预测标签y_predict,真实标签y_true
print(accuracy_score(y_true,y_predict))
# 保存预测模型 pickle.dumps()