K-近邻算法（二）

六、案例：鸢尾花种类预测–数据集介绍

学习目标：

• 知道sklearn中获取数据集的⽅法
• 知道sklearn中对数据集的划分⽅法

本实验介绍了使⽤Python进⾏机器学习的⼀些基本概念。 在本案例中，将使⽤K-Nearest Neighbor（KNN）算法对鸢尾花的种类进⾏分类，并测量花的特征。

本案例⽬的：

• 遵循并理解完整的机器学习过程
• 对机器学习原理和相关术语有基本的了解
• 了解评估机器学习模型的基本过程

1、案例：鸢尾花种类预测

Iris数据集是常⽤的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是⼀类多重变量分析的数据集。关于数据集的具体介绍：

2、scikit-learn中数据集介绍

（1） scikit-learn数据集API介绍

sklearn.datasets：加载获取流⾏数据集

sklearn小数据集

datasets.load_*()：获取小规模数据集，数据包含在datasets⾥

sklearn.datasets.load_iris()：加载并返回鸢尾花数据集

输入下面这段代码，可以得到sklearn预先下载的数据集

from sklearn.datasets import load_iris

iris=load_iris()
print(iris)

sklearn大数据集

datasets.fetch_*(data_home=None)：获取⼤规模数据集，需要从网络上下载，函数的第⼀个参数是data_home，表示数据集下载的目录,默认是~/scikit_learn_data/

sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)
subset：可以是 ‘train’ 或者 ‘test’，‘all’，可选，选择要加载的数据集。
分别代表训练集的 “训练” ，测试集的 “测试” ，两者的 “全部” 。

可以运行下面这段代码来获取大数据集

from sklearn.datasets import fetch_20newsgroups

news=fetch_20newsgroups()
print(news)

注：不知道什么原因，运行这个会报错

（2）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.ndarray 数组
• target：标签数组，是 n_samples 的⼀维 numpy.ndarray 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
# 获取鸢尾花数据集
iris