参考url:
https://jakevdp.github.io/PythonDataScienceHandbook/index.html
Scikit-Learn为各种常用机器学习算法提供了高效版本,因其干净、统一、管道命令式的API而独具特色,且其在线文档实用、完整。
1、Scikit-Learn的数据表示
Scikit-Learn认为数据表示最好的方法就是用数据表的形式。
1、数据表
基本的数据表就是二维网格数据,其中的每一行表示数据集中的每个样本,而列表示构成每个样本的相关特征。
![](https://i-blog.csdnimg.cn/blog_migrate/cd3b3f76642b435cb659c7ae61693f1e.png)
其中的每行数据表示每朵被观察的鸢尾花,行数表示数据集中记录的鸢尾花总数
一般情况下,会将这个矩阵的行称为样本(samples),行数记为n_samples。
其中的每列数据表示每个样本某个特征的量化值
一般情况下,会将矩阵的列称为特征(features),列数记为n_features。
2、特征矩阵
数据表布局通过二维数组或矩阵的形式将信息清晰地表达出来,则把这类矩阵称为特征矩阵。
特征矩阵通常被简记为变量X,它是维度为[n_samples,n_features]的二维矩阵,通常可以用NumPy数组或Pandas的DataFrame来表示,不过Scikit-Learn也支持SciPy的稀疏矩阵。
样本(即每一行)通常是值数据集中的每个对象,是任何可以通过一组量化方法进行测量的实体。
特征(即每一列)通常是指每个样本都具有的某种量化观测值,一般情况下为实数,有时为布尔类型或离散值。
3、目标数组
一个标签或目标数组,通常简记为y。
目标数组一般是一维数组,其长度就是样本总数n_samples,通常都用一维的numpy数组或pandas的Series表示。
目标数组可以是连续的数值类型,也可以是离散的类型/标签。
区分目标数组的特征与特征矩阵中的特征列:
目标数组的特征通常是我们希望从数据中预测的量化结果,即y是统计学中的因变量。