An introduction to machine learning with scikit-learn

scikit-learn 是一個基於SciPy和Numpy的開源機器學習模塊，包括分類、迴歸、聚類的一系列算法，而且有詳細的文檔，是邊學邊練的絕佳教材，本文將通過一個簡單的例子向大家展示如何使用scikit-learn。這個例子是關於手寫識別的，就是給了一個手寫的數字，讓機器來識別它是幾。首先來介紹一下數據集，在這個例子中，所謂的數據集就是一張張手寫數字的圖片，每張圖片有8*8個像素，在訓練的時候會將每張圖片的這64個像素點排列成一個特徵向量，所以也可以認爲是這一個個特徵向量組成了數據集，同時數據集裏還包含target value，就是每張圖片對應的真實數字。scikit-learn 爲了方便我們學習已經把這個數據集準備好了， 我們只需載入一下即可：

from sklearn import datasets
digits = datasets.load_digits()

大家不妨打印出來看看：

digits.data[0]
digits.target[0]

前者對應的就是數據集中第一個圖片的特徵向量，後者就是這張圖片對應的數字。接下來我們就可以選擇一個模型，然後訓練它，最後再用訓練好的模型來識別新的手寫數字。這裏選擇了SVM模型，如下：

from sklearn import svm
clf = svm.SVC(gamma=0.001, C=100.)

訓練模型也很簡單，一個函數就可以搞定，fit，如下：

clf.fit(digits.data[:-1], digits.target[:-1])

這裏用了數據集中除最後一個數據外的所有數據，這個函數執行完後我們的模型就訓練好了，然後我們用這個模型來預測數據集中最後一個數據（特徵向量）對應的真實數字，如下：

clf.predict(digits.data[-1])

預測出來的數字是8，那麼到底對不對呢，我們看一下最後一個數字的手寫圖片：

大家就見仁見智啦