在 Sklean 里,模型能即用的数据有两种形式:
-
Numpy 二维数组 (ndarray) 的稠密数据 (dense data),通常都是这种格式。
-
SciPy 矩阵 (scipy.sparse.matrix) 的稀疏数据 (sparse data),比如文本分析每个单词 (字典有 100000 个词) 做独热编码得到矩阵有很多 0,这时用 ndarray 就不合适了,太耗内存。
上述数据在机器学习中通常用符号 X 表示,是模型自变量。它的大小 = [样本数, 特征数],图下图所示。该房屋数据有 21000 条包括平方英尺,卧室数,楼层,日期,翻新年份等等 21 栏。该数据形状为 [21000, 21]
有监督学习除了需要特征 X 还需要标签 y,而 y 通常就是 Numpy 一维数组,无监督学习没有 y。
Sklearn 里面有很多自带数据集供用户使用。比如 Breast Cancer Wisconsin (Diagnostic) Data Set【威斯康辛 乳腺癌 数据集】
该数据集共569条数据,32列,其中有30个特征,该数据集的具体输出情况可以看我之前发的Breast Cancer Wisconsin (Diagnostic) Data Set这篇博客。
这篇博客的主要目的是:用 Pandas 的 DataFrame (将 X 和 y 合并) 和 Seaborn 的 pairplot (看每个特征之间的关系) 来用表格和图来展示一下数据集的内容。</