机器学习---数据集

数据集

• 目标
• • 知道数据集分为训练集和测试集
• • 会使用sklearn的数据集

可用数据集de介绍和sklearn的安装

安装

pip install -U scikit-learn

查看是否安装成功的命令：

import sklearn

• 注意安装scikit-learn需要numpy、scipy等库

scikit-learn数据集

• sklearn数据集
  • sklearn.datasets
    • load_* 获取小规模数据集
      小数据集：sklearn.datasets.load_iris()
    • fetch_* 获取大规模数据集
      大数据集:sklearn.datasets.fetch_20newsgroups(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”

sklearn数据集返回值介绍

load和fetch返回的数据类 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
DEACR:数据描述

from sklearn.datasets import load_iris

def datasets_demo():
    '''
    sklearn数据集使用
    :return:
    '''
    iris = load_iris()
    print("鸢尾花数据集：\n",iris)
    print("查看数据集的描述：\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"])
    return None

if __name__ == "__main__":
    # sklearn()数据集的使用
    datasets_demo()

数据集的划分

• 训练数据：用于训练，构建模型
• 测试数据：在模型检验是使用，用于评估模型是否有效（20%-30&）

---

数据集划分api

sklearn.model_selection.train_test_split(arrays，*options)

×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(x_train),测试集特征值(x_test),训练集目标值(y_train），测试集目标值(y_test)

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

def datasets_demo():
    '''
    sklearn数据集使用
    :return:
    '''
    # 1. 获取数据集
    iris = load_iris()
    print("鸢尾花数据集：\n",iris)
    print("查看数据集的描述：\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"])

    #数据集划分
    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)
    return None

if __name__ == "__main__":
    # sklearn()数据集的使用
    datasets_demo()