机器学习基础sklearn

数据类型

• 离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据全部都是整数，而且不能再细分，也不能进一步提高他们的精确度
• 连续型数据：变量可以在某个范围内取任一数，即变量的取值可以是连续的，如长度、时间、质量值等，这类整数通常是非整数，含有小数部分

注意：离散型是区间内不可分，连续型是区间内可分

机器学习算法分类：

• 监督学习（预测）

  • 分类：k近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
  • 回归：线性回归、岭回归

• 无监督学习
  -聚类：k-means

sklearn 介绍

Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。
作者：爱折腾的大懒猪
链接：https://www.jianshu.com/p/6ada34655862
来源：简书

sklearn安装

pip install scikit-learn

sklearn数据集

• 划分训练集和测试集
• sklearn数据集划分API
  • sklearn.model_selection.train_test_split
• scikit-learn数据集API介绍
  • sklearn.datasets
  • 加载获取流行数据集
    • datasets.load_*()
      获取小规模数据集，数据包含在datasets里
    • datasets.fetch_*(data_home=None)
      获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录，默认是~/scikit_learn_data/

首先引入sklearn库

# 此处引入鸢尾花数据
from sklearn.datasets import load_iris
# 通过如下方法可以实例化数据
iris_data = load_iris()

获取数据集返回的类型

• load和fetch返回的数据类型datasets.base.Bunch(字典格式)
  • data：特征数据数组，是[n_samples*n_features]的二维numpy.ndarray数组
  • target：标签数组，是n_samples的一维numpy.ndarray数组
  • DESCR：数据描述
  • feature_names：特征名，新闻数据，手写数字、回归数据集没有
  • target_names：标签名

# 打印数据
print(iris_data.data)
# 打印标签数组
print(iris_data.target)
# 打印数据描述
print(iris_data.DESCR)
# 打印特征名
print(iris_data.feature_names)
# 打印标签名
print(iris_data.target_names)

数据集进行分割

• sklearn.model_selection.train_test_split(*array, *options)
  • 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，训练标签，测试标签

# 引入数据分割
from sklearn.model_selection import train_test_split

# 将鸢尾花数据划分训练集和测试集
x_train, x_test, Y_train, Y_test \
    = train_test_split(iris_data.data, iris_data.target, test_size=0.75)

注意：划分的时候，返回数据先是特征值，再是目标值