Python 之Scikit-learn（五） -- Scikit-learn提供的数据集及其详细介绍

 

目录

 

1. 鸢尾花数据集 (Iris Dataset)

2. 波士顿房价数据集 (Boston Housing Dataset)

3. 糖尿病数据集 (Diabetes Dataset)

4. 手写数字数据集 (Digits Dataset)

5. 乳腺癌数据集 (Breast Cancer Dataset)

获取数据的方法

使用数据集进行机器学习任务

总

---

 

Scikit-learn库中包含了一些内置的标准数据集，这些数据集通常用于学习、测试和验证机器学习算法。以下是一些常见的Scikit-learn内置数据集及其详细介绍，以及如何获取这些数据的方法。

1. 鸢尾花数据集 (Iris Dataset)

• 描述：鸢尾花数据集是一个经典的机器学习数据集。它包含150个样本，每个样本有4个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。这些样本属于3个不同的鸢尾花种类：Setosa、Versicolor和Virginica。
• 用途：分类任务，特别是线性分类器和聚类算法的教学和研究。
• 获取方法：

from sklearn.datasets import load_iris
iris = load_iris()

2. 波士顿房价数据集 (Boston Housing Dataset)

• 描述：该数据集包含波士顿地区506个房屋的13个特征，以及这些房屋的中位数房价。特征包括犯罪率、住宅用地比例、非零售商业用地比例、氮氧化物浓度、平均房间数、房龄、距离就业中心的距离、公路通达性、财产税率、师生比例、黑人比例、低收入人群比例等。
• 用途：回归任务，尤其是线性回归模型的教学和研究。
• 获取方法：

from sklearn.datasets import load_boston
boston = load_boston()

3. 糖尿病数据集 (Diabetes Dataset)

• 描述：糖尿病数据集包含442个样本和10个特征，特征包括年龄、性别、体质指数、血压、六种血清测量值。这些特征用于预测一年后的疾病进展。
• 用途：回归任务，适用于线性回归模型的测试和验证。
• 获取方法：

from sklearn.datasets import load_diabetes
diabetes = load_diabetes()

4. 手写数字数据集 (Digits Dataset)

• 描述：手写数字数据集包含1797个手写数字样本，每个样本是一个8x8的灰度图像，表示0到9的数字。每个图像有64个特征，每个特征表示像素的灰度值。
• 用途：分类任务，尤其适合用于图像分类和降维算法的研究。
• 获取方法：

from sklearn.datasets import load_digits
digits = load_digits()

5. 乳腺癌数据集 (Breast Cancer Dataset)

• 描述：乳腺癌数据集包含569个样本和30个特征，这些特征是基于细胞核的测量值。目标是区分良性和恶性肿瘤。
• 用途：分类任务，广泛用于二分类问题的研究。
• 获取方法：

from sklearn.datasets import load_breast_cancer
breast_cancer = load_breast_cancer()

获取数据的方法

Scikit-learn提供的内置数据集可以通过sklearn.datasets模块直接加载，这些数据集一般以字典的形式返回。主要包括以下几个键：

• data：特征数据，通常是一个二维数组。
• target：目标标签，通常是一维数组。
• DESCR：数据集的详细描述。
• feature_names：特征名称。
• target_names：目标名称（分类任务中）。

下面是如何加载这些数据集的示例：

from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
# 查看数据集描述
print(iris.DESCR)
# 查看特征数据
print(iris.data)
# 查看目标标签
print(iris.target)
# 查看特征名称
print(iris.feature_names)
# 查看目标名称
print(iris.target_names)

使用数据集进行机器学习任务

一旦数据集加载到内存中，可以直接用于训练和评估机器学习模型。例如，使用鸢尾花数据集进行分类任务：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")