机器学习-数据集

数据集

1.数据集

1. 数据集构成：特征值+目标值 red 有些数据集可以没有目标值
2. 数据集分为训练集和测试集

2.可用数据集

Kaggle网址：Kaggle
UCI数据集网址： UCL
scikit-learn网址： scikit-learn
scilit-learn2
scikit-learn特点：

• 1、数据量小
• 2、方便学习

UCI特点：

• 1、收录了360个数据集
• 2、覆盖科学、生活、经济等领域
• 3、数据集几十万

Kaggle特点：

• 1、大数据竞赛平台
• 2、80万科学家
• 3、数据量巨大
• 1 Scikit-learn工具介绍

3.安装Scikit-learn

1.下载

pip install Scikit-learn==0.19.1

2.import sklearn

import sklearn

• 分类、聚类、回归
• 特征工程
• 模型选择、调优

3.1 sklearn数据集

API
1.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data_hame,表示数据集下载的目录，默认是 ~/scikit_learn

2 sklearn小数据集

• sklearn.datasets.load_iris()：加载并返回鸢尾花数据集
• sklearn.datasets.load_boston()：加载并返回波士顿房价数据集

3 sklearn大数据集

• sklearn.datasets.fetch_20newsgroups(data=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’

4 sklearn数据集的使用
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.ndarry数组
  • target：标签数组，是n_samples的一维numpy.ndarry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

def datasets_demo():
    """
    sklearn数据集的使用
    :return:
    """
    # 获取数据集
    iris= load_iris()
    print("鸢尾花数据集：\n", iris)
    print("查看数据集描述：\n", iris["DESCR"])  # 数据集的描述信息
    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)  # shape:(150,4)
    return None

if __name__ == "__main__":
    # 代码1：sklearn数据集的使用
    datasets_demo()