入门sklearn之数据获取

最新推荐文章于 2024-05-14 16:56:08 发布
最新推荐文章于 2024-05-14 16:56:08 发布
阅读量2k 收藏 1
点赞数 2
分类专栏： 机器学习 文章标签： 机器学习 人工智能 python sklearn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cai_niao_lu/article/details/120927329
版权

1.1数据集合的获取

  • sklearn.datasets： sklearn中最内置的数据集
  • kaggle: 存在大量的数据集
  • UCI: 美国一所知名高校的数据集

1.2datasets数据集的使用

  •  load_*()
  • fetch_*(home_name=None, subset='train') 

1.3 代码演示

# 数据集的使用方法
import sklearn.datasets as data
iris = data.load_iris()
iris

可得到结果：

{'data': array([[5.1, 3.5, 1.4, 0.2],
        [4.9, 3. , 1.4, 0.2],
        [4.7, 3.2, 1.3, 0.2],
        [4.6, 3.1, 1.5, 0.2],
        [5. , 3.6, 1.4, 0.2],
        [5.4, 3.9, 1.7, 0.4],
        [4.6, 3.4, 1.4, 0.3],
        [5. , 3.4, 1.5, 0.2],
        [4.4, 2.9, 1.4, 0.2],
        [4.9, 3.1, 1.5, 0.1],
        [5.4, 3.7, 1.5, 0.2],
        [4.8, 3.4, 1.6, 0.2],
        [4.8, 3. , 1.4, 0.1],
        [4.3, 3. , 1.1, 0.1],
        [5.8, 4. , 1.2, 0.2],
        [5.7, 4.4, 1.5, 0.4],
        [5.4, 3.9, 1.3, 0.4],
        [5.1, 3.5, 1.4, 0.3],
        [5.7, 3.8, 1.7, 0.3],
        [5.1, 3.8, 1.5, 0.3],
        [5.4, 3.4, 1.7, 0.2],
        [5.1, 3.7, 1.5, 0.4],
        [4.6, 3.6, 1. , 0.2],
        [5.1, 3.3, 1.7, 0.5],
        [4.8, 3.4, 1.9, 0.2],
        [5. , 3. , 1.6, 0.2],
        [5. , 3.4, 1.6, 0.4],
        [5.2, 3.5, 1.5, 0.2],
        [5.2, 3.4, 1.4, 0.2],
        [4.7, 3.2, 1.6, 0.2],
        [4.8, 3.1, 1.6, 0.2],
        [5.4, 3.4, 1.5, 0.4],
        [5.2, 4.1, 1.5, 0.1],
        [5.5, 4.2, 1.4, 0.2],
        [4.9, 3.1, 1.5, 0.2],
        [5. , 3.2, 1.2, 0.2],
        [5.5, 3.5, 1.3, 0.2],
        [4.9, 3.6, 1.4, 0.1],
        [4.4, 3. , 1.3, 0.2],
        [5.1, 3.4, 1.5, 0.2],
        [5. , 3.5, 1.3, 0.3],
        [4.5, 2.3, 1.3, 0.3],
        [4.4, 3.2, 1.3, 0.2],
        [5. , 3.5, 1.6, 0.6],
        [5.1, 3.8, 1.9, 0.4],
        [4.8, 3. , 1.4, 0.3],
        [5.1, 3.8, 1.6, 0.2],
        [4.6, 3.2, 1.4, 0.2],
        [5.3, 3.7, 1.5, 0.2],
        [5. , 3.3, 1.4, 0.2],
        [7. , 3.2, 4.7, 1.4],
        [6.4, 3.2, 4.5, 1.5],
        [6.9, 3.1, 4.9, 1.5],
        [5.5, 2.3, 4. , 1.3],
        [6.5, 2.8, 4.6, 1.5],
        [5.7, 2.8, 4.5, 1.3],
        [6.3, 3.3, 4.7, 1.6],
        [4.9, 2.4, 3.3, 1. ],
        [6.6, 2.9, 4.6, 1.3],
        [5.2, 2.7, 3.9, 1.4],
        [5. , 2. , 3.5, 1. ],
        [5.9, 3. , 4.2, 1.5],
        [6. , 2.2, 4. , 1. ],
        [6.1, 2.9, 4.7, 1.4],
        [5.6, 2.9, 3.6, 1.3],
        [6.7, 3.1, 4.4, 1.4],
        [5.6, 3. , 4.5, 1.5],
        [5.8, 2.7, 4.1, 1. ],
        [6.2, 2.2, 4.5, 1.5],
        [5.6, 2.5, 3.9, 1.1],
        [5.9, 3.2, 4.8, 1.8],
        [6.1, 2.8, 4. , 1.3],
        [6.3, 2.5, 4.9, 1.5],
        [6.1, 2.8, 4.7, 1.2],
        [6.4, 2.9, 4.3, 1.3],
        [6.6, 3. , 4.4, 1.4],
        [6.8, 2.8, 4.8, 1.4],
        [6.7, 3. , 5. , 1.7],
        [6. , 2.9, 4.5, 1.5],
        [5.7, 2.6, 3.5, 1. ],
        [5.5, 2.4, 3.8, 1.1],
        [5.5, 2.4, 3.7, 1. ],
        [5.8, 2.7, 3.9, 1.2],
        [6. , 2.7, 5.1, 1.6],
        [5.4, 3. , 4.5, 1.5],
        [6. , 3.4, 4.5, 1.6],
        [6.7, 3.1, 4.7, 1.5],
        [6.3, 2.3, 4.4, 1.3],
        [5.6, 3. , 4.1, 1.3],
        [5.5, 2.5, 4. , 1.3],
        [5.5, 2.6, 4.4, 1.2],
        [6.1, 3. , 4.6, 1.4],
        [5.8, 2.6, 4. , 1.2],
        [5. , 2.3, 3.3, 1. ],
        [5.6, 2.7, 4.2, 1.3],
        [5.7, 3. , 4.2, 1.2],
        [5.7, 2.9, 4.2, 1.3],
        [6.2, 2.9, 4.3, 1.3],
        [5.1, 2.5, 3. , 1.1],
        [5.7, 2.8, 4.1, 1.3],
        [6.3, 3.3, 6. , 2.5],
        [5.8, 2.7, 5.1, 1.9],
        [7.1, 3. , 5.9, 2.1],
        [6.3, 2.9, 5.6, 1.8],
        [6.5, 3. , 5.8, 2.2],
        [7.6, 3. , 6.6, 2.1],
        [4.9, 2.5, 4.5, 1.7],
        [7.3, 2.9, 6.3, 1.8],
        [6.7, 2.5, 5.8, 1.8],
        [7.2, 3.6, 6.1, 2.5],
        [6.5, 3.2, 5.1, 2. ],
        [6.4, 2.7, 5.3, 1.9],
        [6.8, 3. , 5.5, 2.1],
        [5.7, 2.5, 5. , 2. ],
        [5.8, 2.8, 5.1, 2.4],
        [6.4, 3.2, 5.3, 2.3],
        [6.5, 3. , 5.5, 1.8],
        [7.7, 3.8, 6.7, 2.2],
        [7.7, 2.6, 6.9, 2.3],
        [6. , 2.2, 5. , 1.5],
        [6.9, 3.2, 5.7, 2.3],
        [5.6, 2.8, 4.9, 2. ],
        [7.7, 2.8, 6.7, 2. ],
        [6.3, 2.7, 4.9, 1.8],
        [6.7, 3.3, 5.7, 2.1],
        [7.2, 3.2, 6. , 1.8],
        [6.2, 2.8, 4.8, 1.8],
        [6.1, 3. , 4.9, 1.8],
        [6.4, 2.8, 5.6, 2.1],
        [7.2, 3. , 5.8, 1.6],
        [7.4, 2.8, 6.1, 1.9],
        [7.9, 3.8, 6.4, 2. ],
        [6.4, 2.8, 5.6, 2.2],
        [6.3, 2.8, 5.1, 1.5],
        [6.1, 2.6, 5.6, 1.4],
        [7.7, 3. , 6.1, 2.3],
        [6.3, 3.4, 5.6, 2.4],
        [6.4, 3.1, 5.5, 1.8],
        [6. , 3. , 4.8, 1.8],
        [6.9, 3.1, 5.4, 2.1],
        [6.7, 3.1, 5.6, 2.4],
        [6.9, 3.1, 5.1, 2.3],
        [5.8, 2.7, 5.1, 1.9],
        [6.8, 3.2, 5.9, 2.3],
        [6.7, 3.3, 5.7, 2.5],
        [6.7, 3. , 5.2, 2.3],
        [6.3, 2.5, 5. , 1.9],
        [6.5, 3. , 5.2, 2. ],
        [6.2, 3.4, 5.4, 2.3],
        [5.9, 3. , 5.1, 1.8]]),
 'target': array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
        2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
        2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2]),
 'frame': None,
 'target_names': array(['setosa', 'versicolor', 'virginica'], dtype='<U10'),
 'DESCR': '.. _iris_dataset:\n\nIris plants dataset\n--------------------\n\n**Data Set Characteristics:**\n\n    :Number of Instances: 150 (50 in each of three classes)\n    :Number of Attributes: 4 numeric, predictive attributes and the class\n    :Attribute Information:\n        - sepal length in cm\n        - sepal width in cm\n        - petal length in cm\n        - petal width in cm\n        - class:\n                - Iris-Setosa\n                - Iris-Versicolour\n                - Iris-Virginica\n                \n    :Summary Statistics:\n\n    ============== ==== ==== ======= ===== ====================\n                    Min  Max   Mean    SD   Class Correlation\n    ============== ==== ==== ======= ===== ====================\n    sepal length:   4.3  7.9   5.84   0.83    0.7826\n    sepal width:    2.0  4.4   3.05   0.43   -0.4194\n    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)\n    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)\n    ============== ==== ==== ======= ===== ====================\n\n    :Missing Attribute Values: None\n    :Class Distribution: 33.3% for each of 3 classes.\n    :Creator: R.A. Fisher\n    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)\n    :Date: July, 1988\n\nThe famous Iris database, first used by Sir R.A. Fisher. The dataset is taken\nfrom Fisher\'s paper. Note that it\'s the same as in R, but not as in the UCI\nMachine Learning Repository, which has two wrong data points.\n\nThis is perhaps the best known database to be found in the\npattern recognition literature.  Fisher\'s paper is a classic in the field and\nis referenced frequently to this day.  (See Duda & Hart, for example.)  The\ndata set contains 3 classes of 50 instances each, where each class refers to a\ntype of iris plant.  One class is linearly separable from the other 2; the\nlatter are NOT linearly separable from each other.\n\n.. topic:: References\n\n   - Fisher, R.A. "The use of multiple measurements in taxonomic problems"\n     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to\n     Mathematical Statistics" (John Wiley, NY, 1950).\n   - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis.\n     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.\n   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System\n     Structure and Classification Rule for Recognition in Partially Exposed\n     Environments".  IEEE Transactions on Pattern Analysis and Machine\n     Intelligence, Vol. PAMI-2, No. 1, 67-71.\n   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions\n     on Information Theory, May 1972, 431-433.\n   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II\n     conceptual clustering system finds 3 classes in the data.\n   - Many, many more ...',
 'feature_names': ['sepal length (cm)',
  'sepal width (cm)',
  'petal length (cm)',
  'petal width (cm)'],
 'filename': 'c:\\users\\a\\appdata\\local\\programs\\python\\python39\\lib\\site-packages\\sklearn\\datasets\\data\\iris.csv'}

数据的类型是一个bunch类型，相当于一个类字典

特点如下：

  1. 拥有和dict相同的用法： bunch['key'] = values
  2. 拥有独立的用法：bunch.key = values

# 数据的目标数值
iris.target
# 数据的描述
iris.DESCR
# 数据的特征值名称
iris.feature_names
# 数据的目标集的名称
iris.target_names

结果如下：

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
'.. _iris_dataset:\n\nIris plants dataset\n--------------------\n\n**Data Set Characteristics:**\n\n    :Number of Instances: 150 (50 in each of three classes)\n    :Number of Attributes: 4 numeric, predictive attributes and the class\n    :Attribute Information:\n        - sepal length in cm\n        - sepal width in cm\n        - petal length in cm\n        - petal width in cm\n        - class:\n                - Iris-Setosa\n                - Iris-Versicolour\n                - Iris-Virginica\n                \n    :Summary Statistics:\n\n    ============== ==== ==== ======= ===== ====================\n                    Min  Max   Mean    SD   Class Correlation\n    ============== ==== ==== ======= ===== ====================\n    sepal length:   4.3  7.9   5.84   0.83    0.7826\n    sepal width:    2.0  4.4   3.05   0.43   -0.4194\n    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)\n    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)\n    ============== ==== ==== ======= ===== ====================\n\n    :Missing Attribute Values: None\n    :Class Distribution: 33.3% for each of 3 classes.\n    :Creator: R.A. Fisher\n    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)\n    :Date: July, 1988\n\nThe famous Iris database, first used by Sir R.A. Fisher. The dataset is taken\nfrom Fisher\'s paper. Note that it\'s the same as in R, but not as in the UCI\nMachine Learning Repository, which has two wrong data points.\n\nThis is perhaps the best known database to be found in the\npattern recognition literature.  Fisher\'s paper is a classic in the field and\nis referenced frequently to this day.  (See Duda & Hart, for example.)  The\ndata set contains 3 classes of 50 instances each, where each class refers to a\ntype of iris plant.  One class is linearly separable from the other 2; the\nlatter are NOT linearly separable from each other.\n\n.. topic:: References\n\n   - Fisher, R.A. "The use of multiple measurements in taxonomic problems"\n     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to\n     Mathematical Statistics" (John Wiley, NY, 1950).\n   - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis.\n     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.\n   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System\n     Structure and Classification Rule for Recognition in Partially Exposed\n     Environments".  IEEE Transactions on Pattern Analysis and Machine\n     Intelligence, Vol. PAMI-2, No. 1, 67-71.\n   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions\n     on Information Theory, May 1972, 431-433.\n   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II\n     conceptual clustering system finds 3 classes in the data.\n   - Many, many more ...'
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

这里我们重点理解load_*()即可。因为fetch_*()是下载大型的数据集 。然而其中的大型数据集合非常少。因此我们通常可以在kaggle中下载大数据集。本文章也重点讲解了load_*()的实例用法。

本文章是本人的学习笔记。文章中讲解不清楚的地方，读者可以访问下方网址学习黑马程序员3天快速入门python机器学习_哔哩哔哩_bilibili

rookie-rookie-lu
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
sklearn——数据集
Snfiltration
08-15 2730
sklearn——数据集 主要介绍sklearn中的数据集以及如何从帮助文档中导入数据集，查看数据集
ML神器：sklearn的快速使用及入门
12-26
传统的机器学习任务从开始到建模的一般流程是：获取数据 -> 数据预处理 -> 训练建模 -> 模型评估 -> 预测，分类。本文我们将依据传统机器学习的流程，看看在每一步流程中都有哪些常用的函数以及它们的用法是怎么样的。希望你看完这篇文章可以最为快速的开始你的学习任务。 1. 获取数据 1.1 导入sklearn数据集 　　sklearn中包含了大量的优质的数据集，在你学习机器学习的过程中，你可以通过使用这些数据集实现出不同的模型，从而提高你的动手实践能力，同时这个过程也可以加深你对理论知识的理解和把握。（这一步我也亟需加强，一起加油！^-^） 首先呢，要想使用sklearn中的数据集，必须导入
sklearn中多分类和多标签分类评估方法总结
最新发布
m0_55245520的博客
05-14 1587
使用sklearn中的评估函数对多分类任务和多标签分类任务进行评估，总结了一些小坑
sklearn数据的获取
微信号：RunsenLiu
03-31 1361
http://sklearn.apachecn.org/#/ 类型 获取方式 自带的小数据集 sklearn.datasets.load_... 在线下载的数据集 sklearn.datasets.fetch_... 计算机生成的数据集 sklearn.datasets.make_... svmlight/libsvm格式的数据集 sklearn.datasets.lo...
读取sklearn中的数据集
风浅安然的博客
02-20 2588
在学习机器学习的时候，我们经常需要数据集来对算法的效果进行验证，sklearn库提供了部分数据集，我们可以很方便地使用 from sklearn.datasets import load_digits digits = load_digits() dir(digits) # ['DESCR', 'data', 'images', 'target', 'target_names'] data =...
【2】如何从sklearn中读取数据集
m0_68100317的博客
04-17 920
通过datasets.fetch()，我们可以从网上获取数据集并保存到本地，data_home为保存路径，当为None时，会放在根目录下的 scikit_learn_data 文件夹中。返回值有四个，从左至右分别是特征值(训练集)，特征值(测试集)，目标值(训练集)，目标值(测试集)。这里的特征维度很少，只有四个，实际上特征值数量可以达到数千以上，我们使用机器学习正是要挖掘出这些特征蕴含的信息。在不考虑验证集的情况下，可以将数据集划分为训练集和测试集，一般训练集占所有数据的。其中特征值是一个二维数组。
【机器学习】sklearn数据集的使用，数据集的获取和划分
热门推荐
wangyuxiang946的博客
08-17 1万+
机器学习是人工智能的一个实现途径，可以从「数据」中自动分析获得「模型」，并利用模型对未知数据进行「预测」。 简单来说就是从历史数据中总结规律，用来解决新出现的问题。 从数据中总结规律，需要提供一个「数据集」，数据集由「特征值」和「目标值」两部分组成。
Python数据挖掘入门与实战
09-04
书中会提供实际数据集，引导读者完成数据挖掘项目，从数据获取、探索性数据分析到模型构建和验证，全方位锻炼读者的数据挖掘能力。 10. **代码实践**：书中的代码实例可以帮助读者直接上手操作，加深对理论知识的...
Python 数据挖掘入门与实践--代码与文档
03-21
1. 数据获取：这可能涉及从各种来源（如CSV、Excel、数据库或API）读取数据，使用Python的内置函数或第三方库如pandas.read_csv()等。 2. 数据预处理：数据往往需要清洗，包括处理缺失值（可以使用pandas的fillna()...
Mnist Dataset 数据集
06-20
Mnist 数据集是机器学习领域非常经典的一个图像识别数据集，主要包含手写数字的图像，常用于初学者进行图像分类的入门实践。这个压缩包提供的资源可以帮助用户在Python环境中轻松处理和理解Mnist数据。 **1. 数据集...
Python数据挖掘入门与实战 NBA 2013—2014赛季的比赛数据 csv 有效数据
04-18
通过以上步骤，我们可以从NBA数据中获取有价值的洞见，比如哪些因素对比赛结果影响最大，哪个球队在特定情况下更有可能获胜。此外，这也可以为篮球爱好者或体育分析师提供实际的数据支持，帮助他们做出更加理性的...
sklearn中获取内置数据及其常用的操作（数据的加载、数据的查看、训练集和测试集合的划分）
weixin_43495948的博客
03-08 1358
c)Scikit-learn工具介绍 load_获取小数据集 fetch_8获取大规模数据集 Sklearn.datasets.load_(data_home=None,subset=’train’) -subset:’train’或者‘test’、‘all’可选，选择要加载的数据集 -训练集的‘训练’，测试集的‘测试’，两者的‘全部’ 数据返回类型：datasets.base.Bunch(继承自字典) 可以使用dict[“key”] = values Bunch.key = values 常用操作如下 p
天池赛学习笔记——使用sklearn+机器学习进行分类/回归任务之(一)数据读取和分析
mathlxj的博客
03-31 1048
一、数据读取 在数据处理时,最常见的文件格式是.csv和.txt我们主要使用pandas的read_csv来读取数据。 read_csv的文档网址为:http://pandas.pydata.org/pandas-docs/stable/user_guide/io.html#io-read-csv-table read_csv(filepath_or_buffer, sep=',', delimi...
【Python】读取sklearn数据集及常见操作记录（加载、划分、标准化、降维）
○( ＾皿＾)っHiahiahia…的博客
12-03 6922
本博客内容来源于： 《Python数据分析与应用》第6章使用sklearn构建模型，侵请删 相关网站链接 一、基本操作涉及的主要模块 1、数据获取模块：sklearn.datasets 2、模型选择模块：sklearn.model_selection 3、数据预处理模块：sklearn.preprocessing 4、特征分解模块：sklearn.decomposition 二、直接上完整代码 #...
SVM入门——手写数字识别
bashan1604的博客
08-27 1058
SVM介绍 Margin：直观上的宽度（求得最大margin） Hyperplane：超平面 Support vectors：支持向量（支持我们找出hyperplane) SVM是一个constrained optimization problem（约束最优化问题），其中constrain是分指类，optimization是指使得margin最大 数字识别代码和特征和标签 import matplotlib.pyplot as plt from sklearn imp
读取sklearn自带数据库中的图像《sklearn入门》
猛男的博客
10-07 950
引言：sklearn模块中，给出了许多不同种类的数据库，包括自带的经典图像、手写数据库、鸢尾花数据库、汉斯顿房价预测数据等，是一个很不错的数据库，很适合新手作为小样本数据库练习。 首先需要做的是安装此环境，如果还没有安装sklearn的，请移步这里安装。 1.引入sklearn模块。 import matplotlib.pyplot as plt from sklearn.datasets import load_sample_images 2.加载数据图像。 datasets=load.
[sklearn的一般流程】数据的获取
bylfsj的博客
02-20 728
【sklearn的一般流程】数据的获取1.生成回归数据 make_regression()2.生成分类数据 make_classif...
Scikit-learn学习系列 | 1. sklearn的简要使用介绍与数据集获取
Clichong
05-02 2203
如有错误，恳请指出。 以下内容整理自专栏：博主“文火冰糖的硅基工坊”的专栏——机器学习与scikit-learn，对部分的文章的简化与整理。 文章目录1. scikit-learn概述1.1 技巧介绍1.2 模型保存1.3 模型优化2. scikit-learn涵盖内容3. scikit-learn数据集获取3.1 生成聚类数据：make_blobs3.2 生成分类数据：make_classification3.3 生成环形数据：make_circles3.4 生成回归数据：make_regressio.
K近邻算法02---sklearn数据集获取（特征值、标签等）、查看数据分布（散点图）、数据集划分（测试和训练集）、特征工程（标准化和归一化）、鸢尾花种类预测的实现流程
alovelypeach的博客
01-26 2961
文章目录1.sklearn数据集的获取（1）scikit-learn数据集API介绍（2） sklearn数据集返回值介绍（3）举例子2.查看数据分布3.数据集划分4.特征工程-特征预处理（标准化和归一化）（1）特征预处理定义（2）归一化（3）标准化（4）标准化和归一化的区别（5）标准化和归一化的例子5.大整合---鸢尾花种类预测（实现流程） 1.sklearn数据集的获取 （1）scikit-learn数据集API介绍 （2） sklearn数据集返回值介绍 （3）举例子 小数据 获取数据
Python入门：数据分析与Pandas-列数据获取
同时，了解标准库如os、sys、re等的使用，以及如何安装和使用第三方库如requests、pandas、sklearn等，将大大提升数据分析的效率。 Python的易用性和Pandas的强大功能使其在数据分析和自然语言处理领域占据了重要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值