本文使用sklearn对digits进行分类。因为维度低，所以使用SVM可以得到不错的准确率。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
import sys  
from sklearn.datasets import load_digits  # 加载手写数字识别数据  
import pylab as pl  
from sklearn.cross_validation import train_test_split  # 训练测试数据分割  
from sklearn.preprocessing import StandardScaler  # 标准化工具  
from sklearn.svm import LinearSVC  
from sklearn.metrics import classification_report  # 预测结果分析工具 

reload(sys)  
sys.setdefaultencoding('utf-8') 

digits = load_digits()  
# 数据纬度，1797幅图，8*8  
print digits.data.shape  
  
# 分割数据  
X_train, X_test, Y_train, Y_test = train_test_split(digits.data, digits.target, test_size=0.20, random_state=33)  

ss = StandardScaler()  
# fit是实例方法，必须由实例调用  
X_train = ss.fit_transform(X_train)  
X_test = ss.transform(X_test)

# 支持向量机
csvm = svm.SVC(gamma=0.020)
csvm.fit(X_train, Y_train)
Y_predict=csvm.predict(X_test)
print classification_report(Y_test, Y_predict, target_names=digits.target_names.astype(str))

# 随机森林
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=450)
clf = clf.fit(X_train, Y_train)
Y_predict=clf.predict(X_test)
print classification_report(Y_test, Y_predict, target_names=digits.target_names.astype(str))

结果

SVM结果如下：

随机森林结果如下：