模型介绍：如图所示的数据分类问题，我们更有无数种线性分类边界可供选择。
支持向量机分类器，便是根据训练样本的分布，搜索所有的线性分类器中最佳的一个。进一步仔细观察图中的红线，我们会发现决定其直线位置的样本并不是所有训练数据，而是其中的两个空间间隔最小的两个不同类别的数据点，而我们把这种可以用来真正帮助决策最优线性分类模型的数据点叫做“支持向量”。
逻辑斯蒂回归模型在训练过程中由于考虑了所有训练样本对参数的影响，因此不一定获得最佳的分类器。
读取代码样例
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储存在digits变量中
digits=load_digits()
#检视数据规模和特征维度
digits.data.shape
(1797, 64)
数据图像数据共有1797条，并且每幅图片是由8*8=64的像素矩阵表示。
分割代码样例
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(digits.data,digits.target,test_size=0.25,random_state=33)
#检视训练数据规模
y_train.shape
(1347,)
#检视测试数据规模
y_test.shape
(450,)
1797*0.25=450
使用支持向量机（分类）对手写体数字图像进行识别
from sklearn.preprocessing import StandardScaler
#从仍然需要训练和测试的特征数据进行标准化
ss=StandardScaler()
X_train=ss.fit_transform(X_train)
X_test=ss.transform(X_test)
from sklearn.svm import LinearSVC
#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，预测结果储存在变量y_predict中。
y_predict=lsvc.predict(X_test)
支持向量机（分类）对手写体数字图像进行识别能力的评估
#使用模型自带的评估函数进行准确性测评
print('The Accuracy of LinearSVC is',lsvc.score(X_test,y_test))
The Accuracy of LinearSVC is 0.953333333333
#依然使用sklearn.metrics里面的classification_report模块对预测结果做更加详细的分析
from sklearn.metrics import classification_report
print(classification_report(y_test,y_predict,target_names=digits.target_names.astype(str)))
支持向量机（分类）模型的确能提供比较高的手写体数字识别性能。平均而言，各项指标都在95%上下。
在这里需要进一步指出：召回率、准确率和F1指标最先适用于二分类任务；但是在本示例中，我们的分类目标有10个类别，即0-9的10个数字。因此无法直接计算上述三个指标。通常的做法是，逐一评估某个类别的这三个性能指标。
网友评论