matlab对手写数字聚类的方法_使用支持向量机（SVM）对手写数字数据集mnist进行识别（准确率可达98.57%）...

首先导入所需的模块

#导入所需的模块
import time
import numpy as np
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from keras.datasets import mnist
from sklearn import svm

导入数据集，如果本地没有的话会自动从服务器上下载到本地

#导入Keras提供的数据集MNIST模块
(x_train_image,y_train_label), (x_test_image,y_test_label) = mnist.load_data()

把28×28的矩阵转化为一维向量，并且将其归一化（很重要）

#转化（reshape）为一维向量，其长度为784，并设为Float数。
x_Train =x_train_image.reshape(60000, 784).astype('float32')
x_Test = x_test_image.reshape(10000, 784).astype('float32')

#将数据归一化
x_Train_normalize = x_Train / 255
x_Test_normalize = x_Test / 255

传递训练模型的参数

传递训练模型的参数
print(time.strftime('%Y-%m-%d %H:%M:%S'))
clf = svm.SVC(C=100.0, kernel='rbf', gamma=0.03)

进行模型训练

# 进行模型训练
t1 = time.time()
clf.fit(x_Train_normalize, y_train_label)
t2 = time.time()
SVMfit = float(t2-t1)
print("Time taken: {} seconds".format(SVMfit))

10分钟左右即可完成模型训练

Time taken: 614.0134041309357 seconds

查看结果

predictions = [int(a) for a in clf.predict(x_Test_normalize)]
#混淆矩阵
print(confusion_matrix(y_test_label, predictions))
#f1-score,precision,recall
print(classification_report(y_test_label, np.array(predictions)))

#计算准确度
print('accuracy=', accuracy_score(y_test_label, predictions))
print(time.strftime('%Y-%m-%d %H:%M:%S'))

结果如下：

[[ 974    0    1    0    0    2    0    1    2    0]
 [   0 1128    3    1    0    1    0    1    1    0]
 [   4    0 1017    0    1    0    0    7    3    0]
 [   0    0    2  997    1    2    0    4    3    1]
 [   0    0    2    0  969    0    4    0    1    6]
 [   2    0    0    5    1  877    3    1    2    1]
 [   3    2    0    0    2    2  948    0    1    0]
 [   0    3    8    1    1    0    0 1007    1    7]
 [   4    0    1    3    1    1    1    2  957    4]
 [   2    3    0    6    6    2    1    5    1  983]]
              precision    recall  f1-score   support

           0       0.98      0.99      0.99       980
           1       0.99      0.99      0.99      1135
           2       0.98      0.99      0.98      1032
           3       0.98      0.99      0.99      1010
           4       0.99      0.99      0.99       982
           5       0.99      0.98      0.99       892
           6       0.99      0.99      0.99       958
           7       0.98      0.98      0.98      1028
           8       0.98      0.98      0.98       974
           9       0.98      0.97      0.98      1009

   micro avg       0.99      0.99      0.99     10000
   macro avg       0.99      0.99      0.99     10000
weighted avg       0.99      0.99      0.99     10000

accuracy= 0.9857
2019-03-25 21:17:05

关于CNN识别在这里

xxxx：使用卷积神经网络（CNN）对手写数字数据集mnist进行识别的结果与代码实现​zhuanlan.zhihu.com