机器学习的数据集一般划分为两个部分:
1、训练集:用于训练,构建模型
2、测试集:在模型检验时使用,用于评估模型
数据集划分API:
sklearn.model_selection.train_test_split
练习时可以使用sklearn提供的数据集
sklearn数据集的获取:
- 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/
使用API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:特征值,是 [n_samples * n_features] 的二维
numpy.ndarray 数组
- target:目标值,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:目标名,回归数据集没有