机器学习实战笔记3乳腺癌数据集

乳腺癌数据集

1.加载数据集

from sklearn.datasets import load_breast_cancer
breast_cancer = load_breast_cancer()
print(breast_cancer["DESCR"])

输出乳腺癌数据集的详细描述，通常包括数据集的来源、特征的解释、数据集的版权信息等。

2.查看data和target

data=breast_cancer["data"]
target=breast_cancer["target"]

data.shape

target.shape

type(data),type(target)

data[:10]

target[:10]

3.合并data和target

import numpy as np

all_datas=np.c_[data,target]#将两个数据在列方向上合并

all_datas.shape

all_datas[:3]

4.生成pandas的df

breast_cancer["feature_names"]

import pandas as pd

#数据拼接
df = pd.DataFrame(
 np.c_[data,target],
    columns = list(breast_cancer["feature_names"])+["target"]
)

df.head(3)

1. 使用np.c_合并数据：np.c_是numpy中的一个函数，用于按列合并数组。在这个例子中，它将特征数据data和目标数据target水平合并。

from sklearn.model_selection import train_test_split

5.使用 train_test_split 函数将数据集分割为训练集和测试集。

x_train,x_test,y_train,y_test = train_test_split(data,target,random_state=40,test_size=0.25)

分割：random_state随机种子，test_size25%是测试集

x_train.shape,x_test.shape,y_train.shape,y_test.shape

6.训练数据集数据分布

for name,array in zip(
    ["target","y_train","y_test"],[target,y_train,y_test]):
    print()
    print(name)
    print(pd.Series(array).value_counts(normalize=True))

遍历包含列名和对应数组（或序列）的列表，并打印出每个数组中各个值的频率（比例）

7.训练测试集的均匀拆分

x_train,x_test,y_train,y_test = train_test_split(data,target,random_state=40,test_size=0.25,stratify=target)#加个参数目的是为了保持训练集和验证集（或测试集）中各类别的比例与整个数据集中的比例相同。

加个参数目的是为了保持训练集和验证集（或测试集）中各类别的比例与整个数据集中的比例相同。

for name,array in zip(
    ["target","y_train","y_test"],[target,y_train,y_test]):
    print()
    print(name)
    print(pd.Series(array).value_counts(normalize=True))