（1)收集数据：提供的文本文件。

（2)准备数据：基于二值图像构造向量。

（3)分析数据：对图像向量进行目测。

（4)训练算法：采用两种不同的核函数，并对径向基核函数采用不同的设置来运行SMO算法。

（5)测试算法：编写一个函数来测试不同的核函数并计算错误率。

（6)使用算法：一个图像识别的完整应用还需要一些图像处理的知识，这里并不打算深入介绍。

使用其它一些代码和SMO算法，可以构建一个系统去测试手写数字上的分类器。打开svmMLiA.py并将img2vector()函数复制过来。然后，加入程序清单1中的代码。

程序清单1基于SVM的手写数字识别

函数loadImages()是作为前面kNN.py中的handwritingClassTest()的一部分出现的。它已经被重构为自身的一个函数。其中仅有的一个大区别在于，在kNN.py中代码直接应用类别标签，而同支持向量机一起使用时，类别标签为一1或者+1。因此，一旦碰到数字9，则输出类别标签-1，否则输出+1。本质上，支持向量机是一个二类分类器，其分类结果不是+1就是-1。基于SVM构建多类分类器已有很多研究和对比了，如果读者感兴趣，建议阅读C.W.Huset等人发表的一篇论文“A Comparison of Methods for Multiclass Support Vector Machines”。由于这里我们只做二类分类，因此除了1和9之外的数字都被去掉了。