sklearn学习(1) 数据集

今天看到一句话：

你能留给岁月的，岁月能留给你的，除了一个更好的自己，别无其他。

还能什么比这更能激励自己学习呢？

在windows下安装sklearn，直接下载winpython安装就行了。自行选择32或64位。
http://sourceforge.net/projects/winpython/

后面本文都把sklearn简称sk。sk已经自带了一些数据集，先看iris和digits：

from sklearn import datasets
iris = datasets.load_iris()
digits = datasets.load_digits()

iris中文指鸢尾植物，这里存储了其萼片和花瓣的长宽，一共4个属性，鸢尾植物又分三类。与之相对，iris里有两个属性iris.data，iris.target，data里是一个矩阵，每一列代表了萼片或花瓣的长宽，一共4列，每一列代表某个被测量的鸢尾植物，一共采样了150条记录，所以查看这个矩阵的形状iris.data.shape，返回：

(150, 4)

target是一个数组，存储了data中每条记录属于哪一类鸢尾植物，所以数组的长度是150，数组元素的值因为共有3类鸢尾植物，所以不同值只有3个。

digits存储了数字识别的数据，包含了1797条记录，每条记录又是一个8行8列的矩阵，存储的是每幅数字图里的像素点信息，digits.image.shape返回

(1797, 8, 8)

因为sk的输入数据必须是(n_samples, n_features)的形状，所以需要对digits.image做一个编号，把8*8的矩阵，变成一个含有64个元素的向量，具体方法：

import pylab as pl
data = digits.images.reshape((digits.images.shape[0], -1))

data.shape返回

(1797, 64)

以上是最常用的两个数据集。

在sk中所有的分类器或聚类工具都是一个Estimator对象，初始参数设置：

estimator = Estimator(param1=1, param2=2)
estimator.param1

训练数据时，接收一个2唯数组：

estimator.fit(data)

训练结构的参数：

estimator.estimated_param_ 

sk还有一个文本分类的数据集，叫Twenty Newsgroups，获取方法：

from sklearn.datasets import fetch_20newsgroups

categories = ['alt.atheism', 'soc.religion.christian',