机器学习框架sklearn之可用数据集

前言

sklearn全称scikit-learn，是针对Python 编程语言的免费软件机器学习库，它提供了大量用于测试学习算法的数据集。

sklearn数据集

数据集的导入

• 获取小规模数据集：sklearn.datasets.load_*
  eg:

sklearn.datasets.load_iris()  加载并返回鸢尾花数据集
sklearn.datasets.load_boston()  加载并返回波斯顿房价数据集

• 获取大规模数据集:sklearn.datasets.fetch_*
  eg:

sklearn.datasets.fetch_20newsgroups(data_home=None,subset='train')
注：subset：“train”或者“test”，“all”，可选，选择要加载的数据集

数据集返回值

load和fetch返回的数据类型datasets.base.Bunch（字典格式）
具体返回值如下：

- data：特征数据数组，是[n_samples*n_features]的二维numpy.ndarray数组
- target：标签数组
- DESCR：数据描述
- feature_names：特征名
- target_names：标签名

数据集划分

（1）机器学习一般的数据集会划分为两个部分：

• 训练集：用于训练，构建模型
• 测试数据：在模型检验时使用，用于评估模型是否有效

划分比例：

• 训练集：70% 80% 75%
• 测试集：30% 20% 30%

（2）划分API

sklearn.model_selection.train_test_split(x,y,test_size,random_state)

- x：数据集的特征值
- y：数据集的标签值
- test_size：测试集的大小，一般为float
- random_state：随机数种子，不同的种子会造成不同的随机采样结果。相同的种子采样结果相同
- return  训练集特征值，测试集特征值，训练集目标值，测试集目标值（返回值包含这四部分）

代码展示

from sklearn.datasets import load_iris

def datasets_demo():
     # 导入鸢尾花数据集
    iris=load_iris()
    print("鸢尾花数据集：\n",iris)
    print("查看数据集描述：\n", iris["DESCR"])
    print("查看数据集描述：\n", iris.DESCR)
     # 数据集划分
    x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.2,random_state=22)
    print("训练集的特征值：\n",x_train,x_train.shape)
    return None