支持向量机（SVM）图像分类-训练，手写数据集（datasets.load_digits()）

SVM（支持向量机）图像分类是在1964年提出的，当时被称为广义肖像算法（generalized portrait algorithm）。其早期工作来自前苏联学者Vladimir N. Vapnik和Alexander Y. Lerner在1963年发表的研究。 1964年，Vapnik和Alexey Y. Chervonenkis对广义肖像算法进行了进一步讨论并建立了硬边距的线性SVM。

SVM图像分类的优点主要有：

分类能力强：SVM算法具有较强的分类能力，特别是对于一些复杂的、非线性可分的数据集，SVM算法往往能够获得比其他算法更好的分类效果。
适用性广：SVM算法可以应用于多种类型的分类问题，包括二分类、多分类问题等。
核函数选择灵活：SVM算法中的核函数选择灵活，不同的核函数可以适用于不同类型的数据集。
特征选择简单：SVM算法在进行特征选择时，只需要对输入数据进行简单的预处理，即可获得较好的分类效果。

然而，SVM图像分类也存在一些缺点：

对参数和核函数的选择敏感：SVM算法的性能对参数和核函数的选择非常敏感，不同的参数和核函数可能导致完全不同的分类结果。
计算量大：SVM算法的计算量较大，对于大规模数据集的分类可能会变得非常耗时。
对噪声和异常值敏感：SVM算法对噪声和异常值比较敏感，如果数据集中存在噪声或异常值，可能会导致分类精度下降。
对多分类问题处理不够理想：虽然SVM算法可以应用于多分类问题，但是对于一些多类别的数据集，SVM算法的分类效果可能不够理想。

总的来说，SVM图像分类在很多情况下能够表现出优秀的性能，但也需要针对具体问题调整参数和核函数，并处理噪声和异常值等问题。

import os
import joblib#保存模型
from PIL import Image
from sklearn.svm import SVC#c是分类，r是回归
from sklearn.preprocessing import StandardScaler#标准化
from sklearn import datasets
from sklearn.model_selection import train_test_split
import numpy
#读数据
iris=datasets.load_digits()
x=iris.data
y=iris.target
############################################
#写这一段是可以观察数据集的样子
# x=x[3]
# y=y[3]
# list=[]
# for i in x:
#     if i==0:
#         list.append(0)
#     else:
#         list.append(255)
# x=numpy.array(list)
# x=x.reshape(8,8)
# x= Image.fromarray(x)  # 输出的是4通道图
# x = x.convert('1')
# resultPath = r'D:\联想电脑\python新代码\ggb\best'
# x.save(os.path.join(resultPath, '11') + '.jpg')  # 前面列表遍历还有ecoph+=1每轮次数
# print(y)
###############################################
#标准化
std=StandardScaler()#这一步是必要的，对象化
# x_std=StandardScaler.fit_transform(x)
x_std=std.fit_transform(x)
print(len(x_std))
#拆分训练集
x_train,x_test,y_train,y_test=train_test_split(x_std,y,test_size=0.3)
print(len(x_train),len(x_test),len(y_train),len(y_test))
print('++',x_train)
#SVM建模
svm_classification=SVC()
svm_classification.fit(x_train,y_train)
#模型读取
save_path='D:\联想电脑\python新代码\ggb\cunchu'
joblib.dump(svm_classification,f'{save_path}\svm——class.pkl')
#建模效果
a=svm_classification.score(x_test,y_test)
print(a)

本文是作者好奇驱使下自我尝试的代码，仅供参考