【机器学习入门笔记】第一篇-数据集

小白研究生学习，学习机器入门，学习来源黑马程序员

1.先导包

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

2.训练集与测试集准备

以sklearn自带的鸢尾花数据集为主，一下代码是将150条数据，按照0.8和0.2的比例划分为训练集和测试集。

def datasets_demo():
    '''
        sklearn数据集使用
        return
    '''
    #获取数据集
    iris = load_iris();
    print("鸢尾花数据集的返回值：\n", iris);
    print("鸢尾花的属性：\n",iris["DESCR"]);
    print("查看特征值的名字：\n",iris.feature_names);
    print("查看特征值：\n",iris.data,iris.data.shape);

    #数据集划分
    #print(iris.data.shape);
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state=22);
    # 默认为0.25
    print("训练集的特征值:\n",x_train,x_train.shape);
    return None



if __name__== "__main__":
    #代码1：sklearn数据集使用
    datasets_demo()

以下代码是将鸢尾花数据集生成scv保存到本地，不需要可以忽略。

from sklearn import datasets
import pandas as pd
breast_cancer = datasets.load_breast_cancer()
data = pd.DataFrame(data=breast_cancer.data,columns=breast_cancer.feature_names)
print(data)
data.to_csv('./load_iris',index=None)

总结：
    1.机器学习一般的数据集会划分为两个部分：
        ①训练数据：用于训练，构建模型
        ②测试数据；在模型验证时使用，用于评估模型是否有效
        ③划分比例：
           训练集：70% 80% 75%
           测试集：30% 20% 25%
    2.数据集划分api
       sklearn.model_selection.train_test_split(arrays,*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
       radom_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不同。 不同的算法比较效果，再用数据集划分这个方法，种子相同。
                

训练集特征值	测试集特征值	训练集目标值	测试集目标值
x_train	x_test	y_train	y_test