Python编程语言其应用广泛，在人工智能、云计算开发、大数据开发、数据分析、科学运算、网站开发、爬虫、自动化运维、自动化测试以及游戏领域均有应用。
在各大企业，如国内的阿里、腾讯、网易、新浪、豆瓣，国外的谷歌、NASA、YouTube、Facebook，Python的企业对Python开发人才均有巨大的需求，随着人工智能、大数据的发展和广泛的应用，Python人才的需求量也势必增加，而且在未来的发展前景也是不可限量的!
相比于Java、php等语言，目前，Python编程人才缺口较大，市场供不应求，就业薪资也普遍较高，因此，现在学习Python是绝佳机会。那么，如何快速学习Python?
1.要有决心
做任何事情，首先要有足够的决心和坚持，才能做好事情、学好Python也是如此。
2.勤于动手
对于编程语言的学习，不能眼高手低，学的过程中，想到就要写出来，一方面能够培养出写代码的感觉，另一方面可以加深知识的掌控。
3.一套完整的学习体系
Python编程语言的全面学习，需要拥有一整套系统的学习资料和学习计划，全面掌握Python基础知识，对以后解决Python编程过程中的问题十分有益!
4.项目实战训练
Python编程基础知识的学习最终目的是应用于项目中，因此，项目实战训练必不可少，多做几个项目，尽量是功能完整的项目，形成项目思路，对以后进行项目实战是很有好处的!
支持向量机SVM(Support Vector Machine)是有监督的分类预测模型，本篇文章使用机器学习库scikit-learn中的手写数字数据集介绍使用Python对SVM模型进行训练并对手写数字进行识别的过程。
准备工作
手写数字识别的原理是将数字的图片分割为8X8的灰度值矩阵，将这64个灰度值作为每个数字的训练集对模型进行训练。手写数字所对应的真实数字作为分类结果。在机器学习sklearn库中已经包含了不同数字的8X8灰度值矩阵，因此我们首先导入sklearn库自带的datasets数据集。然后是交叉验证库，SVM分类算法库，绘制图表库等。
12345678910#导入自带数据集from sklearn import datasets#导入交叉验证库from sklearn import cross_validation#导入SVM分类算法库from sklearn import svm#导入图表库import matplotlib.pyplot as plt#生成预测结果准确率的混淆矩阵from sklearn import metrics读取并查看数字矩阵
从sklearn库自带的datasets数据集中读取数字的8X8矩阵信息并赋值给digits。
12#读取自带数据集并赋值给digitsdigits = datasets.load_digits()查看其中的数字9可以发现，手写的数字9以64个灰度值保存。从下面的8×8矩阵中很难看出这是数字9。
12#查看数据集中数字9的矩阵digits.data[9]以灰度值的方式输出手写数字9的图像，可以看出个大概轮廓。这就是经过切割并以灰度保存的手写数字9。它所对应的64个灰度值就是模型的训练集，而真实的数字9是目标分类。我们的模型所要做的就是在已知64个灰度值与每个数字对应关系的情况下，通过对模型进行训练来对新的手写数字对应的真实数字进行分类。
1234#绘制图表查看数据集中数字9的图像plt.imshow(digits.images[9], cmap=plt.cm.gray_r, interpolation='nearest')plt.title('digits.target[9]')plt.show()设置模型的特征X和预测目标Y
查看数据集中的分类目标，可以看到一共有10个分类，分布为0-9。我们将这个分类目标赋值给Y，作为模型的预测目标。
12#数据集中的目标分类digits.target 12#将数据集中的目标赋给YY=digits.target手写数字的64个灰度值作为特征赋值给X，这里需要说明的是64个灰度值是以8×8矩阵的形式保持的，因此我们需要使用reshape函数重新调整矩阵的行列数。这里也就是将8×8的两维数据转换为64×1的一维数据。
123#使用reshape函数对矩阵进行转换，并赋值给Xn_samples = len(digits.images)X = digits.images.reshape((n_samples, 64))查看特征值X和预测目标Y的行数，共有1797行，也就是说数据集中共有1797个手写数字的图像，64列是经过我们转化后的灰度值。
12#查看X和Y的行数X.shape,Y.shape将数据分割为训练集和测试集
将1797个手写数字的灰度值采用随机抽样的方法分割为训练集和测试集，其中训练集为60%，测试集为40%。
12#随机抽取生成训练集和测试集，其中训练集的比例为60%，测试集40%X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, Y, test_size=0.4, random_state=0)查看分割后的测试集数据，共有1078条数据。这些数据将用来训练SVM模型。
12#查看训练集的行数X_train.shape,y_train.shape对SVM模型进行训练
将训练集数据X_train和y_train代入到SVM模型中，对模型进行训练。下面是具体的代码和结果。
12#生成SVM分类模型clf = svm.SVC(gamma=0.001) 12#使用训练集对svm分类模型进行训练clf.fit(X_train, y_train)使用测试集测对模型进行测试
使用测试集数据X_test和y_test对训练后的SVM模型进行检验，模型对手写数字分类的准确率为99.3%。这是非常高的准确率。那么是否真的这么靠谱吗？下面我们来单独测试下。
12#使用测试集衡量分类模型准确率clf.score(X_test, y_test)我们使用测试集的特征X，也就是每个手写数字的64个灰度值代入到模型中，让SVM模型进行分类。
12#对测试集数据进行预测predicted=clf.predict(X_test)然后查看前20个手写数字的分类结果，也就是手写数字所对应的真实数字。下面是具体的分类结果。
12#查看前20个测试集的预测结果predicted[:20]再查看训练集中前20个分类结果，也就是真实数字的情况，并将之前的分类结果与测试集的真实结果进行对比。
12#查看测试集中的真实结果expected=y_test以下是测试集中前20个真实数字的结果，与前面SVM模型的分类结果对比，前20个结果是一致的。
12#查看测试集中前20个真实结果expected[:20]使用混淆矩阵来看下SVM模型对所有测试集数据的预测与真实结果的准确率情况，下面是一个10X10的矩阵，左上角第一行第一个数字60表示实际为0，SVM模型也预测为0的个数，第一行第二个数字表示实际为0，SVM模型预测为1的数字。第二行第二个数字73表示实际为1，SVM模型也预测为1的个数。
12#生成准确率的混淆矩阵(Confusion matrix)metrics.confusion_matrix(expected, predicted)从混淆矩阵中可以看到，大部分的数字SVM的分类和预测都是正确的，但也有个别的数字分类错误，例如真实的数字2，SVM模型有一次错误的分类为1，还有一次错误分类为7。
