python创建数据集_如何在scikitlearn中创建自己的数据集?

这里有一个快速而肮脏的方法来达到你的目的:

我的_数据集.py在import numpy as np

import csv

from sklearn.datasets.base import Bunch

def load_my_fancy_dataset():

with open('my_fancy_dataset.csv') as csv_file:

data_file = csv.reader(csv_file)

temp = next(data_file)

n_samples = int(temp[0])

n_features = int(temp[1])

data = np.empty((n_samples, n_features))

target = np.empty((n_samples,), dtype=np.int)

for i, sample in enumerate(data_file):

data[i] = np.asarray(sample[:-1], dtype=np.float64)

target[i] = np.asarray(sample[-1], dtype=np.int)

return Bunch(data=data, target=target)

我的幻想_数据集.csv在

^{pr2}$

演示In [12]: import my_datasets

In [13]: mfd = my_datasets.load_my_fancy_dataset()

In [14]: X = mfd.data

In [15]: y = mfd.target

In [16]: X

Out[16]:

array([[ 5.90000000e+00, 1.20300000e+03, 6.90000000e-01],

[ 7.20000000e+00, 9.02000000e+02, 5.20000000e-01],

[ 6.30000000e+00, 1.43000000e+02, 4.40000000e-01],

[ -2.60000000e+00, 2.91000000e+02, 1.50000000e-01],

[ 1.80000000e+00, 4.86000000e+02, 3.70000000e-01]])

In [17]: y

Out[17]: array([2, 0, 1, 1, 0])

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我可以帮您解答这个问题。首先需要说明的是,wine数据集是一个非常常见的用于分类的数据集,它包含了红酒和白酒的化学成分指标,以及对应的评分。在这个问题,我们需要使用Python和scikit-learn来对wine数据集进行分类。 首先,我们需要导入相关的库和数据集: ```python from sklearn.datasets import load_wine from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score wine = load_wine() X = wine.data y = wine.target ``` 这里使用了load_wine()函数来加载wine数据集,然后将数据集分为特征和目标两个部分。接下来,我们需要将数据集分为训练集和测试集: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` 这里使用了train_test_split()函数来将数据集划分为训练集和测试集,其test_size参数表示测试集所占比例,random_state参数表示随机数生成器的种子,保证每次划分结果一致。 接下来,我们使用决策树分类器来训练模型: ```python clf = DecisionTreeClassifier() clf.fit(X_train, y_train) ``` 这里使用了DecisionTreeClassifier()函数来创建一个决策树分类器,并使用fit()函数来训练模型。 最后,我们可以使用测试集来评估模型的准确率: ```python y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy) ``` 这里使用了predict()函数来对测试集进行预测,并使用accuracy_score()函数来计算准确率。 希望这个回答能够帮助您解决问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值