#coding=utf8# 从sklearn.datasets里导入手写体数字加载器。from sklearn.datasets import load_digits# 从sklearn.cross_validation中导入train_test_split用于数据分割。 #此处sklearn.cross_validation 已被弃用

from sklearn.model_selection import train_test_split# 从sklearn.preprocessing里导入数据标准化模块。from sklearn.preprocessing import StandardScaler# 从sklearn.svm里导入基于线性假设的支持向量机分类器LinearSVC。from sklearn.svm import LinearSVC# 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# 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()# 随机选取75%的数据作为训练样本；其余25%的数据作为测试样本。X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.25, random_state=33)# 从仍然需要对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)# 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)# 使用模型自带的评估函数进行准确性测评。print 'The Accuracy of Linear SVC is', lsvc.score(X_test, y_test)print classification_report(y_test, y_predict, target_names=digits.target_names.astype(str))

结果：