sklearn 数据集
数据集划分
分为
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
- sklearn数据集划分api
sklearn.model_selection.train_test_split
- sklearn数据集api
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/
获取数据集返回的类型
- 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dumpy.ndarray数组
- target: 标签数组,是n_samples的一维dumpy.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,回归数据集没有
sklearn分类数据集
sklearn.datasets.load_iris()
. 加载并返回鸢尾花数据集
sklearn.datasets.load_digits()
. 加载并返回数字数据集
数据集进行分割
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。
返回值 训练集特征值,测试集特征值,训练标签,测试标签(默认随机取)
用于分类的大数据集
-
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” -
datasets.clear_data_home(data_home=None)
清除目录下的数据
sklearn回归数据集
sklearn.datasets.load_boston()
加载并返回波士顿房价数据集
sklearn.datasets.load_diabetes()
加载和返回糖尿病数据集
sklearn机器学习算法的实现-估计器
在sklearn中,估计器(estimator)是一个重要的角色,分类器和回归器都属于estimator,是一类实现了算法的API
- 用于分类的估计器:
-
sklearn.neighbors
k-近邻算法 -
sklearn.naive_bayes
贝叶斯 -
sklearn.linear_model.LogisticRegression
逻辑回归
- 用于回归的估计器:
-
sklearn.linear_model.LinearRegression
线性回归 -
sklearn.linear_model.Ridge
岭回归