Kaggle入門模板：以手寫識別Digit Recognizer爲例

首先本文參考了點擊打開鏈接 這篇博客，然後可能時間有點久遠，Kaggle的這道題給的數據文檔和之前的不一樣了，以及還有一些注意點這篇文章裏沒有突出。因此這裏重新做個總結，希望大家能早點入個門。

這裏我使用的sklearn中的支持向量機來解決手寫識別問題。這裏的svm是可以解決多分類問題的。核函數使用的是高斯核（rbf），鬆弛變量c選擇的是5.

kaggle這道題一共提供了3個文件：train.csv，test.csv，sample_submission.csv 。 分別表示訓練集，測試集，提交樣例。

下面上python代碼。本人的macbook pro16，運行時間爲575秒。svm的準確率在這個問題上可能不及knn，但是運行的效率要比knn高了許多。。。

#!/usr/bin/python  
# -*- coding: utf-8 -*-  
  
from numpy import *  
from sklearn import svm    
import csv   
import datetime

#把數組中的字符串轉換成整數
def toInt(array): 
    array=mat(array)  
    m,n=shape(array)  
    #使用xrange不會生成list，性能要優於range
    for i in xrange(m):  
        for j in xrange(n):  
                array[i,j]=int(array[i,j])  
    return array  

#把大於0的數都置爲1
def nomalizing(array):  
    m,n=shape(array)  
    for i in xrange(m):  
        for j in xrange(n):  
            if array[i,j]!="0":  #注意原csv文件中的數字也是字符串
                array[i,j]=1  
            else:
                array[i,j]=0
    return array  

def loadTrainData():  
    l=[]  
    with open('train.csv') as file:  
         lines=csv.reader(file)  
         for line in lines:  
             l.append(line) #42001*785  
    l.remove(l[0])  #移除第0行，第0行是數據列名
    l=array(l)  #將l由list型轉化爲numpy下的array型
    label=l[:,0]  #label賦值爲l的第0列
    data=l[:,1:]  #data賦值爲l的第1至最後一列
    return nomalizing(data),toInt(label) 

def loadTestData():  
    l=[]  
    with open('test.csv') as file:  
         lines=csv.reader(file) 
         for line in lines:  
             l.append(line)  
    l.remove(l[0])  
    data=array(l)  
    return nomalizing(data)  

def saveResult(result,csvName):  
    with open(csvName,'wb') as myFile:      
        myWriter=csv.writer(myFile) 
        num = 1 
        arr=[]
        arr.append("ImageId")
        arr.append("Label")
        myWriter.writerow(arr)  #先將列名插入第0行
        for i in result:  
            tmp=[] 
            tmp.append(num)
            num = num + 1 
            tmp.append(int(i))  ##不能是浮點數  
            myWriter.writerow(tmp)  
    
def svcClassify(trainData,trainLabel,testData):   
    svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’    
    svcClf.fit(trainData,ravel(trainLabel))  
    testLabel=svcClf.predict(testData)  
    saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')  
    return testLabel  

def main():  
    starttime = datetime.datetime.now()
    trainData,trainLabel=loadTrainData()  
    print "訓練集讀取完畢"
    testData=loadTestData()   
    print "測試集讀取完畢"
    svcClassify(trainData,trainLabel,testData)
    endtime = datetime.datetime.now()
    print "預測結束--程序總運行時間："+str((endtime - starttime).seconds)+"秒"

main() #主函數

ps：本人一開始在kaggle上提交結果，總是返回的準確率爲0.00000，後來用文本編輯器打開了csv，才發現自己生成的label都是浮點數，而在excel中看不出來，坑。

kaggle提交注意事項：

1. 每道題目一天最多交5次，大家珍惜每天的提交機會
2. 提交的csv要嚴格遵循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，且列名不能出錯。
3. 提交的數據一定要弄清是整數還是浮點數。否則提交後是會被判斷爲預測錯誤的。

       kaggle這個平臺真心不錯，讓我找回了codeforces的感覺，感覺找到了一個很好的鍛鍊動手能力的平臺，希望大家能經常做做練習~