机器学习第二天-sklearn学习01

一.sklearn介绍

sklearn是机器学习领域中比较常用的库，包含了很多常用实用的算法，我的机器学习打算从这个库开始学起。

二.sklearn学习

1.第一个练习

①.首先导入样本数据

# 导入样本数据
from sklearn import datasets
wine = datasets.load_wine()
wine

②.打印样本数据及其对应的类别

x = wine.data
y = wine.target
x,y

 ③.打印样本的大小

np.shape(x), np.shape(y)

可以看出X包含178个样本，每个样本有13个特征的二维数组

y为包含178个元素的一维数组

④.把数据分成训练数据和测试数据

因为未来要对实际训练出来的模型进行评估，所以要把所有数据进行拆分，分成训练数据与测试数据。训练数据用于训练模型，测试数据用来评估模型的准确性。

Ⅰ.train_test_split函数

train_test_split 是 scikit-learn 库中 model_selection 模块下的一个函数，用于将数据集划分为训练集和测试集。这个函数对于评估机器学习模型的性能至关重要，因为它允许我们在训练模型时保留一部分数据来进行测试，从而更准确地评估模型在未知数据上的表现。

所以我们导入train_test_split来帮助我们拆分数据。

对应参数：

1.*arrays：这是位置参数，可以接受一个或多个数组作为输入。最常见的用法是传递两个数组：第一个是特征数组（即自变量x），第二个是目标数组（即输出变量y）。如果传入多个特征数组，则它们应该按照(X_train, X_test, y_train, y_test)的顺序返回。

2.test_size:这个参数决定了测试集的大小。它可以是float，表示测试集大小占总数据集的比例（例如，0.2表示20%的数据作为测试集），也可以是int，表示测试集的具体大小。如果没有指定test_size，那么它默认为None，此时会根据train_size来确定测试集的大小。

3.train_size：这个参数决定了训练集的大小。它的用法与test_size类似，可以是float或int。如果没有指定train_size，那么它默认为None，此时会根据test_size来确定训练集的大小。

4.random_state：这个参数用于控制随机状态，以确保代码的可重复性。它可以是一个整数，作为随机数生成器的种子，也可以是np.random.RandomState实例。如果没有指定random_state，那么每次调用train_test_split时都会得到不同的结果。

5.shuffle：这个参数决定了是否在划分之前对数据进行洗牌。默认为True，即洗牌。如果设置为False，则不会洗牌，数据将按照原始顺序进行划分。

6.stratify：这个参数用于分层抽样，确保训练集和测试集中的类别比例大致相同。它通常用于分类问题中，当需要保证每个类别在训练集和测试集中都有足够的代表性时。stratify应该是一个与*arrays中目标变量相同的数组或Series。

# 把数据分成训练数据和测试数据
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
np.shape(x_train), np.shape(x_test)

 可以看到训练集上有142个样本，测试集上有36个样本。