sklearn乳腺癌数据集数据含义

Posted 2023-03-18

参考技术A 1. 介绍乳腺癌数据集

现在我们已经建立了逻辑回归工作原理的基础，并且您已经学会了使用sklearn。您可以参见《机器学习----使用Sklearn构建逻辑回归模型》。我们已经构建了为分类数据集构建逻辑回归模型的工具，我们将介绍一个新数据集。

在乳腺癌数据集中，每个数据点都有来自乳房肿块图像的测量值以及它是否癌变。目标是使用这些测量来预测肿块是否癌变。该数据集直接内置在 scikit-learn 中，因此我们不需要读取 csv。让我们从加载数据集开始，对数据及其格式进行分析。

from sklearn.datasets import load_breast_cancer
cancer_data = load_breast_cancer()
返回的对象（我们存储在 cancer_data 变量中）是一个类似于 Python 字典的对象。我们可以使用 keys 方法查看可用的键。

print(cancer_data.keys())
我们将从查看 DESCR 开始，它提供了数据集的详细描述。

print(cancer_data['DESCR'])
我们可以看到有 30 个特征，569 个数据点，目标是恶性（癌性）或良性（非癌性）。对于每个数据点，我们都有乳房质量的测量值（半径、纹理、周长等）。

对于 10 次测量中的每一次，都会计算多个值，因此我们有平均值、标准误差和最差值。这会产生 10 x 3 或 30 个总特征。

Tips ：在乳腺癌数据集中，有几个特征是基于其他列计算的。弄清楚要计算哪些附加特征的过程是特征工程。

| 2. 使用pandas加载乳腺癌数据集

让我们从 cancer_data 对象中提取特征和目标数据。首先，特征数据与“数据”键一起存储。当我们查看它时，我们看到它是一个 numpy 数组，有 569 行和 30 列。那是因为我们有 569 个数据点和 30 个特征。

以下是返回数据的 numpy 数组：

cancer_data['data']
让我们用shape看它是一个569行30列的数组。

cancer_data['data'].shape
# (569, 30)
为了将其放入 Pandas DataFrame 并使其更易于阅读，我们需要列名。这些与“feature_names”键一起存储。

现在我们可以用我们所有的特征 参考技术B 在乳腺癌数据集中,每个数据点都有来自乳房肿块图像的测量值以及它是否癌变。目标是使用这些测量来预测肿块是否癌变。该数据集直接内置在 scikit-learn 中,因此我们不需要读取 csv。让我们从加载数据集开始,对数据及其格式进行分析。