机器学习之sklearn数据集

数据集划分

机器学习一般的数据集会划分为两个部分：
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

1. x 数据集的特征值
2. y 数据集的标签值
3. test_size 测试集的大小，一般为float
4. 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。
5. return 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)

scikit-learn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/

load和fetch返回的数据类型datasets.base.Bunch(字典格式)

1. data：特征数据数组，是 [n_samples * n_features] 的二维 numpy.ndarray 数组
2. target：标签数组，是 n_samples 的一维 numpy.ndarray 数组
3. DESCR：数据描述
4. feature_names：特征名,新闻数据，手写数字、回归数据集没有
5. target_names：标签名,回归数据集没有
   一般特征矩阵data和目标向量target是我们在日常开发中常用的

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

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”

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