机器学习Day0——sklearn数据集

本栏目为本人自学B站各位好心的博主所录视频过程中记录下来的笔记，出处基本来自于B站视频博主以及csdn中各位大佬的解释，我只起到了转载的作用。因来源过于复杂，因此无法标注来源。

1.scikit-learn数据集API介绍

• 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~l/scikit_learn_datal

2.sklearn小数据集

• sklearn.datasets.load_iris()
  加载并返回鸢尾花数据集

名称	数量
类别	3
特征	4
样本数量	150
每个类别数量	50

• sklearn.datasets.load_boston)
  加载并返回波士顿房价数据集

名称	数量
目标类别	5-50
特征	13
样本数量	506

3.sklearn大数据集

• sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)
  • subset: ‘train’，‘test’，‘all’ ，可选，选择要加载的数据集。
  • 训练集，测试集，全部数据集

4.sklearn数据集的使用

• 以鸢尾花数据集为例：

鸢尾花数据集
特征值(4个)：花瓣、花萼的长度、宽度
目标值(3个)：setosa, vericolor, virginica

sklearn数据集返回值介绍

• 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

from sklearn.datasets import load_iris
iris = load_iris()
print("鸢尾花数据集：\n", iris)
print("查看数据集描述：\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)

5. 数据集的划分

机器学习一般的数据集会划分为两个部分:

• 训练数据：用于训练，构建模型
• 测试数据：在模型检验时使用，用于评估模型是否有效

划分比例:

• 训练集：70% 80% 75%
• 测试集：30% 20% 25%

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
  • random_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相同。
  • return 训练集特征值，测试集特征值，训练集目标值，测试集目标值

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris = load_iris()
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
print("训练集的特征值：\n", x_train, x_train.shape)