先分享一句话：“我愿做一只RDN，即使是单链，心里还有U。”——一个女生xiiao qi
http://www.kaggle.com数据分析的网站，有很多比赛
选用svm这么直接的分类器来对0到9进行手写数字识别，所以需要比较好的分类方法，svm有一对多，和一对一，个人很懒，也不是很了解投票法，所以随便写个了先二叉树聚类好的，再在上面加上两类分类器，今天很高兴，我花了3个小时训练好9个model，花了12134.251962 seconds.这么多时间得出结果，好吧，时间这么长，个人表示很心塞，也许应该用pca降维会快点，还有决策树真的很快，训练加测试只要几分钟，一些同学们处理过的神经网络也挺快的。
测试的时候，其实我一直怀疑我是错的，我一直想好多类的数字矩阵放进去，他自己根据我训练的model帮我分好类，告诉我这是多少多少，可是这样结果很奇葩，我也不知道第一次分类后每个数字的位置到哪里去了，我觉得也许我应该学习一下，一些师兄是怎么做到的，最后最后，为了至少有个结果出来，我还是用for循环好了T T（for循环的话，真的会很慢，让10000个数据一个一个读进去，然后判断它属于哪一类的。）
不过结果还好，没有让我太失望：
结果如下：
0错误总数为44,正确率为95.5102%
1错误总数为48,正确率为95.7709%
2错误总数为212,正确率为79.4574%
3错误总数为154,正确率为84.7525%
4错误总数为74,正确率为92.4644%
5错误总数为133,正确率为85.0897%
6错误总数为44,正确率为90.7098%
7错误总数为80,正确率为92.2179%
8错误总数为122,正确率为87.4700%
9错误总数为99,正确率为90.1883%
基于这里没有matlab的东东，我就不贴代码了，而且代码也很渣，还没完善，也没什么好看的
改进了一下代码，输入一个矩阵，不管是一个样本还是一个矩阵，他就自己分，发现快了好多啊
0错误总数为44,0正确率为95.5102%
1错误总数为48,1正确率为95.7709%
2错误总数为212,2正确率为79.4574%
3错误总数为154,3正确率为84.7525%
4错误总数为74,4正确率为92.4644%
5错误总数为176,5正确率为80.2691%
6错误总数为44,6正确率为90.7098%
7错误总数为80,7正确率为92.2179%
8错误总数为175,8正确率为82.0329%
9错误总数为99,9正确率为90.1883%
Elapsed time is 566.872892 seconds.
是原来的好多分之一时间，才9分钟，本来是3个小时的（刚才计算错了，对自己的数学无语了，竟然算成18分钟）的，果然代码改进下还是好的，接下来考虑PCA 降维啦，相信速度会更快的
0错误总数为44,0正确率为95.5102%
1错误总数为48,1正确率为95.7709%
2错误总数为212,2正确率为79.4574%
3错误总数为154,3正确率为84.7525%
4错误总数为74,4正确率为92.4644%
5错误总数为176,5正确率为80.2691%
6错误总数为44,6正确率为90.7098%
7错误总数为80,7正确率为92.2179%
8错误总数为175,8正确率为82.0329%
9错误总数为99,9正确率为90.1883%
Elapsed time is 812.984799 seconds.
用原来的方法是13分钟，相差两分钟，当初果然是我搞错了==，把程序停止的时间也算进去了，害我还到处跟人说，怎么我那么那么慢啊
这是今天的，今天花了7个小时训练，后来才发现t的参数对速度很有关系，刚开始选择是线性的，所以很慢，后来改了t=2，正确率高了不少哦，时间也快了很多，训练是30分钟，测试是16分钟的。
0错误总数为26,0正确率为97.3469%
1错误总数为31,1正确率为97.2687%
2错误总数为147,2正确率为85.7558%
3错误总数为109,3正确率为89.2079%
4错误总数为65,4正确率为93.3809%
5错误总数为121,5正确率为86.4350%
6错误总数为26,6正确率为93.6326%
7错误总数为87,7正确率为91.5370%
8错误总数为105,8正确率为89.2197%
9错误总数为98,9正确率为90.2874%
Elapsed time is 1011.698796 seconds.