AI这么火，而且又大多用Python来写。这么好的条件，作为Python粉的你能不学点吗？
作者：xhrwang
原文链接：http://xhrwang.me/2015/02/13/scikit_learn-tutorial.html
本文约 5914 字，读完可能需要 9 分钟。
Why
机器学习在图像和语音识别领域已经有很多成熟的应用，比如：
那机器学习究竟是如何做到这些的呢？本文以图像识别中比较简单的数字识别为例来了解一下。
What
scikit-learn 是一个用于数据挖掘和分析的 Python 库，完全开源并封装了很多机器学习的算法，我们可以很方便得对其提供的 SVM 算法进行训练并将其用于实际应用场景，解决一些数据量不是很大的问题。
下面的例子将演示如何使用 sklearn 库中提供的数字图片 dataset 来识别它们表示的实际数字。
最后画出的图形为：
How
安装 scikit-learn
根据 numpy 官方文档 的说明，官方发布的 源码和包在 SourceForge 上。那么分别从下面的地址下载安装最新 release 版本：
解决了依赖项问题之后，通过下面的命令安装 sklearn：
pip install - U scikit-learn
一个手写数字识别的例子
scikit_learn 官方有个例子，使用 sklearn 自带的 dataset 对算法进行训练并用于手写数字识别的例子。
准备工作
pip install python-dateutil
pip install pyparsing
Python 代码：
# -*- coding: utf-8 -*-
"""
================================
Recognizing hand-written digits
================================
An example showing how the scikit-learn can be used to recognize images of
hand-written digits.
This example is commented in the
:ref:`tutorial section of the user manual `.
"""
# 打印出上面的文档信息，Python 里面使用 """
# 多行注释的信息被当作文档信息，可以对源代码、类、方法等进行注释从而生成文档，是自解释的机制
print(__doc__)
# 下面是 scikit----learn 官方例子的作者信息
# Author: Gael Varoquaux
# License: BSD 3 clause
# 导入用于科学计算的库
import matplotlib.pyplot as plt
# 导入 sklearn 自带的手写数字 dataset，以及进行机器学习的模块
from sklearn import datasets, svm, metrics
# 加载 sklearn 自带的手写数字 dataset
digits = datasets.load_digits()
# 这里我们感兴趣的数据是不同灰度的 8x8 个小格子组成的图像
# 如果我们直接使用图像进行处理，就需要使用 pylab.imread 来加载图像数据，而且这些图像数据必须都是 8x8 的格式
# 对于这个 dataset 中的图像，dataset.target 给出了它们实际对应的数字
images_and_labels = list(zip(digits.images, digits.target))
for index, (image, label) in enumerate(images_and_labels[:4]):
plt.subplot(2, 4, index + 1)
plt.axis('off')
plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
plt.title('Training: %i' % label)
# 为了使用分类器，需要将每个表示手写图像的 8x8 数字转换为一个数字数组
# 这样 digits.images 就变为了(采样，采样特性)的一个矩阵
n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))
print(digits.images[0])
print(data[0])
# 创建一个分类器，这里 gamma 的值是给定的，可以通过 grid search 和 cross validation 等技术算出更好的值。
# 下面的链接有个例子是自己算 gamma：
# http://efavdb.com/machine-learning-with-wearable-sensors/
classifier = svm.SVC(gamma=0.001)
# 用前半部分数据训练分类器
classifier.fit(data[:n_samples / 2], digits.target[:n_samples / 2])
# 对后半部分数据使用训练好的分类器进行识别
expected = digits.target[n_samples / 2:]
predicted = classifier.predict(data[n_samples / 2:])
# 打印分类器的运行时信息以及期望值和实际识别的值
print("Classification report for classifier %s:n%sn"
% (classifier, metrics.classification_report(expected, predicted)))
print("Confusion matrix:n%s" %
metrics.confusion_matrix(expected, predicted))
# 画出手写数字的图像并给出识别出的值
images_and_predictions = list(
zip(digits.images[n_samples / 2:], predicted))
for index, (image, prediction) in enumerate(images_and_predictions[:4]):
plt.subplot(2, 4, index + 5)
plt.axis('off')
plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
plt.title('Prediction: %i' % prediction)
plt.show()
下面的代码将输出注释中提到的将 8 x 8 数字矩阵转换为数组：
n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))
print("Number picture matrix:")
print(digits.images[0])
print("flatten array:")
print(data[0])
其输出为：
Number picture matrix:
[[0. 0. 5. 13. 9. 1. 0. 0.]
[0. 0. 13. 15. 10. 15. 5. 0.]
[0. 3. 15. 2. 0. 11. 8. 0.]
[0. 4. 12. 0. 0. 8. 8. 0.]
[0. 5. 8. 0. 0. 9. 8. 0.]
[0. 4. 11. 0. 1. 12. 7. 0.]
[0. 2. 14. 5. 10. 12. 0. 0.]
[0. 0. 6. 13. 10. 0. 0. 0.]]
flatten array:
[0. 0. 5. 13. 9. 1. 0. 0. 0. 0. 13. 15. 10. 15. 5.
0. 0. 3. 15. 2. 0. 11. 8. 0. 0. 4. 12. 0. 0. 8.
8. 0. 0. 5. 8. 0. 0. 9. 8. 0. 0. 4. 11. 0. 1.
12. 7. 0. 0. 2. 14. 5. 10. 12. 0. 0. 0. 0. 6. 13.
10. 0. 0. 0.]
从结果看，识别率已经很高，如果有更多更多样化的训练数据并且自己算 gamma 参数的话，结果还能更好：
precision recall f1 - score support
0 1.00 0.99 0.99 88
1 0.99 0.97 0.98 91
2 0.99 0.99 0.99 86
3 0.98 0.87 0.92 91
4 0.99 0.96 0.97 92
5 0.95 0.97 0.96 91
6 0.99 0.99 0.99 91
7 0.96 0.99 0.97 89
8 0.94 1.00 0.97 88
9 0.93 0.98 0.95 92
avg / total 0.97 0.97 0.97 899
题图：pexels，CC0 授权。
点击阅读原文，查看更多 Python 教程和资源。
