转： Kaggle入门模板：以手写识别Digit Recognizer为例

首先本文参考了点击打开链接 这篇博客，然后可能时间有点久远，Kaggle的这道题给的数据文档和之前的不一样了，以及还有一些注意点这篇文章里没有突出。因此这里重新做个总结，希望大家能早点入个门。

这里我使用的sklearn中的支持向量机来解决手写识别问题。这里的svm是可以解决多分类问题的。核函数使用的是高斯核（rbf），松弛变量c选择的是5.

kaggle这道题一共提供了3个文件：train.csv，test.csv，sample_submission.csv 。 分别表示训练集，测试集，提交样例。

下面上python代码。本人的macbook pro16，运行时间为575秒。svm的准确率在这个问题上可能不及knn，但是运行的效率要比knn高了许多。。。

[python] view plain copy

1. #!/usr/bin/python    
2. # -*- coding: utf-8 -*-    
3.     
4. from numpy import *    
5. from sklearn import svm      
6. import csv     
7. import datetime  
8.   
9. #把数组中的字符串转换成整数  
10. def toInt(array):   
11.     array=mat(array)    
12.     m,n=shape(array)    
13.     #使用xrange不会生成list，性能要优于range  
14.     for i in xrange(m):    
15.         for j in xrange(n):    
16.                 array[i,j]=int(array[i,j])    
17.     return array    
18.   
19. #把大于0的数都置为1  
20. def nomalizing(array):    
21.     m,n=shape(array)    
22.     for i in xrange(m):    
23.         for j in xrange(n):    
24.             if array[i,j]!="0":  #注意原csv文件中的数字也是字符串  
25.                 array[i,j]=1    
26.             else:  
27.                 array[i,j]=0  
28.     return array    
29.   
30. def loadTrainData():    
31.     l=[]    
32.     with open('train.csv') as file:    
33.          lines=csv.reader(file)    
34.          for line in lines:    
35.              l.append(line) #42001*785    
36.     l.remove(l[0])  #移除第0行，第0行是数据列名  
37.     l=array(l)  #将l由list型转化为numpy下的array型  
38.     label=l[:,0]  #label赋值为l的第0列  
39.     data=l[:,1:]  #data赋值为l的第1至最后一列  
40.     return nomalizing(data),toInt(label)   
41.   
42. def loadTestData():    
43.     l=[]    
44.     with open('test.csv') as file:    
45.          lines=csv.reader(file)   
46.          for line in lines:    
47.              l.append(line)    
48.     l.remove(l[0])    
49.     data=array(l)    
50.     return nomalizing(data)    
51.   
52. def saveResult(result,csvName):    
53.     with open(csvName,'wb') as myFile:        
54.         myWriter=csv.writer(myFile)   
55.         num = 1   
56.         arr=[]  
57.         arr.append("ImageId")  
58.         arr.append("Label")  
59.         myWriter.writerow(arr)  #先将列名插入第0行  
60.         for i in result:    
61.             tmp=[]   
62.             tmp.append(num)  
63.             num = num + 1   
64.             tmp.append(int(i))  ##不能是浮点数    
65.             myWriter.writerow(tmp)    
66.       
67. def svcClassify(trainData,trainLabel,testData):     
68.     svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’      
69.     svcClf.fit(trainData,ravel(trainLabel))    
70.     testLabel=svcClf.predict(testData)    
71.     saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')    
72.     return testLabel    
73.   
74. def main():    
75.     starttime = datetime.datetime.now()  
76.     trainData,trainLabel=loadTrainData()    
77.     print "训练集读取完毕"  
78.     testData=loadTestData()     
79.     print "测试集读取完毕"  
80.     svcClassify(trainData,trainLabel,testData)  
81.     endtime = datetime.datetime.now()  
82.     print "预测结束--程序总运行时间："+str((endtime - starttime).seconds)+"秒"  
83.   
84. main() #主函数  

ps：本人一开始在kaggle上提交结果，总是返回的准确率为0.00000，后来用文本编辑器打开了csv，才发现自己生成的label都是浮点数，而在excel中看不出来，坑。

kaggle提交注意事项：

1. 每道题目一天最多交5次，大家珍惜每天的提交机会
2. 提交的csv要严格遵循sample_submission.csv中的格式，也就是在提交文件中第一行的列名也是需要加的，且列名不能出错。
3. 提交的数据一定要弄清是整数还是浮点数。否则提交后是会被判断为预测错误的。

       kaggle这个平台真心不错，让我找回了codeforces的感觉，感觉找到了一个很好的锻炼动手能力的平台，希望大家能经常做做练习~