【2】如何从sklearn中读取数据集

读取一个sklearn数据集

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

from sklearn import datasets
datasets.fetch_20newsgroups(data_home=None, subset='all')

scikit_learn_data 在作者电脑上的位置则是

C:\Users\Lenovo

小型数据集可以直接读取，这里我们读取一个鸢尾花数据集，其返回值是一个字典，我们可以看到有以下几个键值：

iris = datasets.load_iris()
print(iris.keys())

简要介绍以下这几个键值:

• data: 特征值
• target: 目标值
• feature_names: 特征值的含义(特征名)
• target_names:目标值的含义(目标名)
• DESCR: 数据集的描述信息

其中特征值是一个二维数组

上一次我们说到，拿到的数据集一般要进行划分。
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 70%~80% 左右。

x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

按照代码进行划分时，可以加入random_state来让每次划分的训练集和测试集不变。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。