### 下载MNIST手写体数据库 为了下载MNIST手写体数据库，可以利用`tensorflow.keras.datasets.mnist`模块或者手动从官方网站下载。以下是使用Keras加载MNIST数据集的代码示例： ```python from tensorflow.keras.datasets import mnist # 加载MNIST数据集 (X_train_full, y_train_full), (X_test, y_test) = mnist.load_data() # 数据预处理 X_train_full = X_train_full / 255.0 X_test = X_test / 255.0 # 将训练集划分为训练集和验证集 X_valid, X_train = X_train_full[:5000], X_train_full[5000:] y_valid, y_train = y_train_full[:5000], y_train_full[5000:] print(f"Training set shape: {X_train.shape}") print(f"Validation set shape: {X_valid.shape}") print(f"Test set shape: {X_test.shape}") ``` 以上代码实现了MNIST数据集的加载与划分[^1]。 --- ### 实现支持向量机（SVM）分类器 在Scikit-Learn中可以直接调用SVM模型，并指定核函数为RBF（高斯径向基核）。以下是一个完整的实现过程： #### SVM模型构建与训练 ```python from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline # 构建Pipeline以标准化特征并应用SVC模型 svm_clf = Pipeline([ ("scaler", StandardScaler()), ("svc", SVC(kernel="rbf", gamma="scale")) ]) # 使用训练集拟合模型 svm_clf.fit(X_train.reshape(-1, 28*28), y_train) # 测试模型精度 accuracy = svm_clf.score(X_test.reshape(-1, 28*28), y_test) print(f"SVM Model Accuracy on Test Set: {accuracy:.4f}") ``` 此代码片段展示了如何创建一个基于管道的工作流，其中包含了标准缩放器和带有RBF核的支持向量机分类器[^3]。 --- ### 参数调节对模型效果的影响分析 对于SVM模型而言，两个主要超参数分别是`C`（正则化强度倒数）和`gamma`（核函数系数）。调整这些参数会对模型的效果产生显著影响。 #### C值的作用 - 较低的C值意味着更强的正则化，这可能会降低过拟合的风险但可能导致欠拟合。 - 较高的C值允许更复杂的决策边界，从而可能提高训练集上的表现却增加泛化误差。 #### Gamma值的作用 - `gamma`控制单个样本的影响范围；较小的`gamma`会使决策边界更加平滑，而较大的`gamma`会产生更为局部化的决策区域。 下面展示了一个简单的网格搜索例子用于寻找最佳组合： ```python from sklearn.model_selection import GridSearchCV param_grid = [ {'svc__kernel': ['rbf'], 'svc__gamma': [1e-3, 1e-2, 1e-1, 1], 'svc__C': [0.1, 1, 10]} ] grid_search = GridSearchCV(svm_clf, param_grid, cv=3, scoring='accuracy') grid_search.fit(X_train.reshape(-1, 28*28), y_train) best_params = grid_search.best_params_ best_accuracy = grid_search.best_score_ print(f"Best Parameters: {best_params}") print(f"Cross-validation Best Score: {best_accuracy:.4f}") test_accuracy = grid_search.score(X_test.reshape(-1, 28*28), y_test) print(f"Test Set Accuracy with Best Params: {test_accuracy:.4f}") ``` 这段脚本执行了针对不同`C`和`gamma`设置下的交叉验证，并报告最优配置及其对应的准确性分数[^2]。 --- ### 可视化测试结果 完成训练之后，还可以通过绘制图像的方式直观了解模型的表现情况。例如选取若干张测试样例进行预测并将它们显示出来： ```python import numpy as np import matplotlib.pyplot as plt def visualize_predictions(model, images, labels, num_samples=5): predictions = model.predict(images.reshape(-1, 28 * 28)) for idx in range(num_samples): plt.figure() plt.imshow(images[idx].reshape(28, 28), cmap=plt.cm.gray_r) plt.title(f"True Label: {labels[idx]}, Predicted: {predictions[idx]}") plt.axis('off') visualize_predictions(grid_search, X_test[:5], y_test[:5]) plt.show() ``` 上述功能定义了一种方法来对比真实标签与预测结果之间的差异[^4]。 ---