import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn import svm
digits = datasets.load_digits()
print(digits.data)
classifier = svm.SVC(gamma=0.4, C=100)
x, y = digits.data[:-1], digits.target[:-1]
x = x.reshape(1,-1)
y = y.reshape(-1,1)
print((x))
classifier.fit(x, y)
###
print('Prediction:', classifier.predict(digits.data[-3]))
###
plt.imshow(digits.images[-1], cmap=plt.cm.gray_r, interpolation='nearest')
plt.show()
我也 reshape 了 x 和 y。我仍然收到一条错误消息:
发现样本数量不一致的输入变量:[1, 1796]
Y 有一个包含 1796 个元素的一维数组,而 x 有很多。它如何显示 1 代表 x?
请您参考如下方法:
实际上废弃了我在下面的建议:
This link describes the general dataset API .属性 data 是每个图像的二维数组,已经展平:
import sklearn.datasets
digits = sklearn.datasets.load_digits()
digits.data.shape
#: (1797, 64)
这就是您需要提供的全部内容,无需重新整形。类似地,属性 data 是每个标签的一维数组:
digits.data.shape
#: (1797,)
无需 reshape 。只需分成训练和测试并使用它运行即可。
尝试打印 x.shape 和 y.shape。我觉得您会分别找到类似这样的内容:(1, 1796, ...) 和 (1796, ...)。在 scikit 中为分类器调用 fit 时,它需要两个形状相同的迭代器。
线索,为什么在 reshape 不同的方式时争论不休:
x = x.reshape(1, -1)
y = y.reshape(-1, 1)
也许试试:
x = x.reshape(-1, 1)
与您的问题完全无关,但是当训练集中唯一遗漏的元素是 digits.data[-1] 时,您正在预测 。不确定那是否是故意的。digits.data[-3]
无论如何,最好使用 scikit 指标包检查您的分类器的更多结果。 This page has an example of using it over the digits dataset .
