手写数字识别相比都不是什么新鲜的事情，以往这个问题绝大多数的方法都是基于CNN开发的深度学习的模型，后面又基于LSTM系列的模型也有开发过，但是基本上都是基于深度学习模型实现的识别，那么不禁就在想：如果纯粹基于基础的机器学习模型是否能够实现高效的识别呢？虽然在之前的时候已经基于机器学习的方式做过人脸识别、表情识别，但是在复杂环境下效果总是差强人意，手写数字识别mnist的数据集相对更加纯净，理论上来讲，只要特征提取的好，简单的机器学习模型应该也有不错的识别效果的，而且机器学习模型的推理速度有优势，如果精度ok，本身就是一个不错的选择。
话不多说，首先看下效果图：
完整项目截图如下所示：
简单看下数据集：
简单看几个类别：
【0】
【5】
【9】
可以看到：这里的数据不再是直接从第三方模块导入的形式，因为为了直观操作，我这里将模块内置的mnist数据集进行了解析转化存储处理，关于详细的操作可以参考我以前的文章，如下：
《Python实现将tensorflow内置的二进制格式的mnist数据集转化为图像进行存储》
《Python实现将Keras内置的mnist数据集转化为图像进行存储》
《Python实现将scikit-learn内置的mnist数据集转化为图像进行存储》
非常详细的讲解都在上面的博文中，感兴趣的话可以自行移步阅读即可。这里就不再赘述了。
特征提取这里一般使用的较多的就是HOG和LBP了，LBP提取出来的向量维度较高计算量也相对更大，与之带来的精度也更高一点，HOG相对LBP而言更为轻量级一些，这里我采用的是HOG方法，整体建模流程如下：
这里我采用的是支持向量机SVM作为手写数字分类的模型，建模实现如下：
#随机划分
X_train, X_test, y_train, y_test = splitData(x_list, y_list, ratio=0.3)
#模型初始化
model = LinearSVC()
#训练拟合
model.fit(X_train, y_train)
#预测
y_predict = model.predict(X_test)
y_pred = y_predict.tolist()
#计算准确率
accuracy = model.score(X_test, y_test)
print("SVM model accuracy: ", accuracy)
Precision,Recall,F1=calThree(y_test,y_pred)
saveModel(model,save_path=model_path)
result={}
result['accuracy'],result['F_value']=accuracy,F1
result['precision'],result['recall']=Precision,Recall
print('type: ', type(y_test), type(y_pred))
result['y_true'],result['y_pred']=y_test,y_pred
plotConfusionMatrix(y_test, y_pred, save_path = saveDir + 'ConfusionMatrix.png')运行输出如下：
可以看到：SVM的识别效果已经非常好了，简单看下混淆矩阵：
为了直观简洁实用，这里开发了专用的可视化界面，如下：
