scikit-learn：5. 加载内置公用的数据

之前写过一篇如何加载自己的数据，参考：

http://blog.csdn.net/mmc2015/article/details/46852755

本篇主要写如何加载scikit-learn内置数据，参考：

http://scikit-learn.org/stable/datasets/index.html#general-dataset-api

重点介绍“5.7：The 20 newsgroups text dataset”，以练习文本分类问题。

重点介绍“5.9：The Labeled Faces in the Wild face recognition dataset”，以练习图像处理问题。

5.7：The 20 newsgroups text dataset

18000个新闻、可分为20个topics；已经分为training和testing集。

两个loders：

第一个， sklearn.datasets.fetch_20newsgroups，返回原始文档，可进一步使用sklearn.feature_extraction.text.CountVectorizer进行个性化处理；

第二个，sklearn.datasets.fetch_20newsgroups_vectorized,，返回已经处理好的特征（ready-to-use feature），不须再作进一步feature extraction。

加载全部数据和加载部分数据：

from sklearn.datasets import fetch_20newsgroups
newsgroups_train = fetch_20newsgroups(subset='train')
cats = ['alt.atheism', 'sci.space']
newsgroups_train = fetch_20newsgroups(subset='train', categories=cats)

数据存在filenames和target两个属性中，target是数字0到19，使用target_names[target]可以获取具体类别名称。

注意，实际使用中还是先把数据下载下来，再使用这里 http://blog.csdn.net/mmc2015/article/details/46852963提到的办法加载。