机器学习——sklearn数据集与估计器
目录
数据集划分
sklearn数据获取
scikit-learn数据集API介绍
获取数据集返回的类型
sklearn分类数据集
鸢尾花(iris)数据集
手写数字数据集
20年新闻数据集——大数据集
sklearn回归数据集
波士顿房价数据集
糖尿病数据集
sklearn数据集划分API
转换器与预估器
转换器
估计器
用于分类的估计器
用于回归的估计器
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——75%——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——25%——测试模型
sklearn数据获取
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/
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 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,回归数据集没有
sklearn分类数据集
鸢尾花(iris)数据集
sklearn.datasets.load_iris()——加载并返回鸢尾花数据集
数据集内包含 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour, iris-virginica）中的哪一品种。
from sklearn.datasets import load_iris
lr = load_iris()
print('获取特征值')
print(lr.data)
print('目标值')
print(lr.target)
print(lr.DESCR)手写数字数据集
sklearn.datasets.load_digits()——加载并返回数字数据集
手写数字数据集包括1797个0-9的手写数字数据，每个数字由8*8大小的矩阵构成，矩阵中值的范围是0-16，代表颜色的深度。
20年新闻数据集——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
波士顿房价数据集
sklearn.datasets.load_boston()——加载并返回波士顿房价数据集
糖尿病数据集
sklearn.datasets.load_diabetes()——加载和返回糖尿病数据集
sklearn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 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)
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
lr = load_iris()
x_train,x_test,y_train,y_test = train_test_split(lr.data,lr.target,test_size=0.25)
print('训练集的特征值和目标值',x_train,y_train)
print('测试集的特征值和目标值',x_test,y_test)转换器与预估器
想一下之前做的特征工程的步骤？
1、实例化 (实例化的是一个转换器类(Transformer))
2、调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)
转换器
实现特征工程API
fit_transform()——输入数据直接转换 == fit() + transform()
fit()——输入数据，但不做事情，计算平均值，方差等等
transform()——进行数据的转换
再次调用fit会改变转换标准
s2 = ss.fit([[1,2,3],[4,5,6]])
s2 = ss.transform([[1,2,3],[4,5,6]])
print(s2)
s2 = ss.fit([[3,7,8],[4,5,6]])
s2 = ss.transform([[1,2,3],[4,5,6]])
print(s2)[[-1. -1. -1.]
[ 1. 1. 1.]]
[[-5. -4. -4.]
[ 1. -1. -1.]]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