机器学习Sklearn数据集

Posted 赵广陆

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习Sklearn数据集相关的知识,希望对你有一定的参考价值。

目录


1 数据集

  • 知道数据集的分为训练集和测试集
  • 会使用sklearn的数据集

1.1 可用数据集

Kaggle网址:https://www.kaggle.com/datasets

UCI数据集网址: http://archive.ics.uci.edu/ml/

scikit-learn网址:https://scikit-learn.org.cn/

1.1.1 Scikit-learn工具介绍

  • Python语言的机器学习工具
  • Scikit-learn包括许多知名的机器学习算法的实现
  • Scikit-learn文档完善,容易上手,丰富的API
  • 目前稳定版本0.19.1

1.1.2 安装

pip3 install Scikit-learn==0.19.1

这里可能初次安装会很慢,建议换镜像下面有

安装好之后可以通过以下命令查看是否安装成功

import sklearn
  • 注:安装scikit-learn需要Numpy, Scipy等库

1.1.3 Scikit-learn包含的内容

  • 分类、聚类、回归
  • 特征工程
  • 模型选择、调优

1.2 sklearn数据集

1.2.1 scikit-learn数据集API介绍

  • sklearn.datasets
    • 加载获取流行数据集
    • datasets.load_*()
      • 获取小规模数据集,数据包含在datasets里
    • 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/

1.2.2 sklearn小数据集

  • sklearn.datasets.load_iris()

    加载并返回鸢尾花数据集

  • sklearn.datasets.load_boston()

    加载并返回波士顿房价数据集

1.2.3 sklearn大数据集

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

1.2.4 sklearn数据集的使用

  • 以鸢尾花数据集为例:

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 = load_iris()
print("鸢尾花数据集的返回值:\\n", iris)
# 返回值是一个继承自字典的Bench
print("鸢尾花的特征值:\\n", iris["data"])
print("鸢尾花的目标值:\\n", iris.target)
print("鸢尾花特征的名字:\\n", iris.feature_names)
print("鸢尾花目标值的名字:\\n", iris.target_names)
print("鸢尾花的描述:\\n", iris.DESCR)

运行结果:

1.3 数据集的划分

机器学习一般的数据集会划分为两个部分:

思考:拿到的数据是否全部都用来训练一个模型?

  • 训练数据:用于训练,构建模型
  • 测试数据:在模型检验时使用,用于评估模型是否有效

划分比例:

  • 训练集:70% 80% 75%
  • 测试集:30% 20% 30%

数据集划分api

  • sklearn.model_selection.train_test_split(

    arrays, *

    options)

    • x 数据集的特征值
    • y 数据集的标签值
    • test_size 测试集的大小,一般为float
    • random_state 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
    • return 测试集特征训练集特征值值,训练标签,测试标签(默认随机取)
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split


def datasets_demo():
    """
    对鸢尾花数据集的演示
    :return: None
    """
    # 1、获取鸢尾花数据集
    iris = load_iris()
    print("鸢尾花数据集的返回值:\\n", iris)
    # 返回值是一个继承自字典的Bench
    print("鸢尾花的特征值:\\n", iris["data"])
    print("鸢尾花的目标值:\\n", iris.target)
    print("鸢尾花特征的名字:\\n", iris.feature_names)
    print("鸢尾花目标值的名字:\\n", iris.target_names)
    print("鸢尾花的描述:\\n", iris.DESCR)

    # 2、对鸢尾花数据集进行分割
    # 训练集的特征值x_train 测试集的特征值x_test 训练集的目标值y_train 测试集的目标值y_test
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)
    print("x_train:\\n", x_train.shape)
    # 随机数种子
    x_train1, x_test1, y_train1, y_test1 = train_test_split(iris.data, iris.target, random_state=6)
    x_train2, x_test2, y_train2, y_test2 = train_test_split(iris.data, iris.target, random_state=6)
    print("如果随机数种子不一致:\\n", x_train == x_train1)
    print("如果随机数种子一致:\\n", x_train1 == x_train2)

    return None

运行结果:

x_train:
 (112, 4)

2 pip/pip3下载慢解决

添加下载镜像地址 https://pypi.tuna.tsinghua.edu.cn/simple ,例如我要按照pyinstaller,操作如下:

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyinstaller

为了以后pip安装提升速度,可以将镜像地址设置为pip的默认途径,如下:

pip install pip -U
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

其他镜像地址:

阿里云:http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

华中理工大学:http://pypi.hustunique.com/

山东理工大学:http://pypi.sdutlinux.org/

豆瓣:http://pypi.douban.com/simple/

以上是关于机器学习Sklearn数据集的主要内容,如果未能解决你的问题,请参考以下文章

初识人工智能:机器学习:sklearn数据集

机器学习Sklearn数据集

机器学习基础教程笔记---特征工程

机器学习算法的sklearn实现

sklearn乳腺癌数据集数据含义

机器学习基础教程笔记---特征工程