1、训练集:建立模型
测试集:评估模型
训练集和测试机的划分比例:70%和30%,80%和20%,75%和25%(常用)。
数据集划分API:sklearn.model_selection.train_test_split(特征值, 目标值,测试值=0.25)
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/
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,回归数据集没有
2、sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’) subset: 'train'或者'test','all'