mnist数据集svm python_python支持向量机分类MNIST数据集

支持向量机在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务。直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。

调用sklearn.svm的svc函数，将MNIST数据集进行分类，并将整体分类精度输出，这里用了两种预处理的方法(将特征值变成0或者1的数；将特征值变成0-1区间的数)效果不一样，并且分别调用了两种核函数(高斯核函数和多项式核函数)。在支持向量机实验中，将训练集和测试集都等分成10份，并求十份数据集整体分类精度的平均值，这样的结果较为准确客观。可以通过修改惩罚因子C的大小来看不同的效果，并画出图进行比较，C=100的时候效果较为好。

#任务：比较不同的kernel的结果差异，并画出相应的曲线来直观的表示

import struct

from numpy import *

import numpy as np

import time

from sklearn.svm import SVC#C-Support Vector Classification

def read_image(file_name):

#先用二进制方式把文件都读进来

file_handle=open(file_name,"rb") #以二进制打开文档

file_content=file_handle.read() #读取到缓冲区中

offset=0

head = struct.unpack_from(‘>IIII‘, file_content, offset) # 取前4个整数，返回一个元组

offset += str