Sklearn 中的可用数据集

sklearn 中的数据集

Scikit-learn 提供了大量用于测试学习算法的数据集。它们有三种口味：

• 打包数据：这些小数据集与 scikit-learn 安装一起打包，可以使用 scikit-learn 中的工具下载sklearn.datasets.load_*
• 可下载的数据：这些较大的数据集可供下载，scikit-learn 包含简化此过程的工具。这些工具可以在sklearn.datasets.fetch_*
• 生成的数据：有几个数据集是从基于随机种子的模型生成的。这些可以在sklearn.datasets.make_*

您可以使用 IPython 的制表符补全功能探索可用的数据集加载器、提取器和生成器。从 导入datasets子模块后sklearn，键入

datasets.load_<TAB>

或者

datasets.fetch_<TAB>

或者

datasets.make_<TAB>

查看可用功能的列表。

数据和标签的结构

scikit-learn 中的数据在大多数情况下保存为形状为 的二维 Numpy 数组(n, m)。许多算法也接受scipy.sparse相同形状的矩阵。

• n: (n_samples) 样本数：每个样本是一个要处理的项目（例如分类）。样本可以是文档、图片、声音、视频、天文物体、数据库或 CSV 文件中的一行，或者您可以用一组固定的数量特征描述的任何内容。
• m： (n_features) 可用于以定量方式描述每个项目的特征或不同特征的数量。特征通常是实值的，但在某些情况下可能是布尔值或离散值的。

从 sklearn 导入 数据集

请注意：其中许多数据集都非常大，下载可能需要很长时间！

加载数字数据

我们将仔细研究这些数据集之一。我们看一下数字数据集。我们将首先加载它：

从 sklearn.datasets 导入 load_digits
位数 =  load_digits （）

同样，我们可以通过查看“键”来大致了解可用属性：

数字。键()

输出：

dict_keys(['data', 'target', 'frame', 'feature_names', 'target_names', 'images', 'DESCR'])

让我们来看看项目和功能的数量：

n_samples ,  n_features  = 数字。数据。形状
打印（（n_samples ， n_features ））

输出：

(1797, 64)

打印（数字。数据[ 0 ]）
打印（数字。目标）

输出：

[ 0. 0. 5. 13. 9. 1. 0. 0. 0. 0. 13. 15. 10. 15. 5. 0. 0. 3.
 15. 2. 0. 11. 8. 0. 0. 4. 12. 0. 0. 8. 8. 0. 0. 5. 8. 0.
  0. 9. 8. 0. 0. 4. 11. 0. 1. 12. 7. 0. 0. 2. 14. 5. 10. 12.
  0. 0. 0. 0. 6. 13. 10. 0. 0. 0.]
[0 1 2 ... 8 9 8]

这些数据也可以在digits.images 上找到。这是 8 行 8 列形式的图像的原始数据。

对于“数据”，图像对应于长度为 64 的一维 Numpy 数组，“图像”表示包含形状为 (8, 8) 的二维 numpy 数组

打印（“项目的形状：” ， 数字。数据[ 0 ] 。形状）
打印（“项目的数据类型：” ， 类型（数字。数据[ 0 ]））
打印（“项目的形状：” ，