让我们把问题简化一下，只需要识别出一个数字——例如，数字5。这个“5-检测器”将是一个二元分类器的例子，它能够区分出两个类别，是5和不是5。让我们为这个分类任务创建目标向量[target vertor]:

y_train_5 = (y_train == 5) # True for all 5s, False for all other digits.
y_test_5 = (y_test == 5)

好，现在让我们选择一个分类器并进行训练。一个好的开始是使用一个随机梯度下降[ Stochastic Gradient Descent ](SGD)分类器，使用Scikit-Learn的SGDClassifier类。这个分类器的优点是能够有效地处理非常大的数据集。这在一定程度上是因为SGD独立地处理训练样本，一次一个(这也使得SGD非常适合在线学习)，我们稍后会看到。让我们创建一个SGDClassifier，并在整个训练集上训练它:

from sklearn.linear_model import SGDClassifier
sgd_clf = SGDClassifier(random_state=42)
sgd_clf.fit(X_train, y_train_5)

SGDClassifier在训练时依赖于随机性(因此得名“随机”)。如果需要可重复的结果，则应该设置random_state参数。

现在你可以用它来检测数字5的图像:

>>> sgd_clf.predict([some_digit])
array([ True], dtype=bool)

分类器猜测这个图像表示一个5 (True)。在这个特殊的案例中，看起来是正确的!现在，让我们来评估这个模型的性能。