【机器学习】sklearn数据集的使用，数据集的获取和划分

「作者主页」：士别三日wyx
「作者简介」：CSDN top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者
「推荐专栏」：对网络安全感兴趣的小伙伴可以关注专栏《网络安全入门到精通》

机器学习是人工智能的一个实现途径，可以从「数据」中自动分析获得「模型」，并利用模型对未知数据进行「预测」。

简单来说就是从历史数据中总结规律，用来解决新出现的问题。

从数据中总结规律，需要提供一个「数据集」，数据集由「特征值」和「目标值」两部分组成。

机器学习有很多好用的工具，这里我们使用sekearn。

sklearn是基于Python的机器学习工具包，自带大量数据集，可供我们练习各种机器学习算法。

二、安装sklearn

环境要求：

• Python(>=2.7 or >=3.3)
• NumPy (>= 1.8.2)
• SciPy (>= 0.13.3)

先安装 numpy、scipy，再安装 scikit-learn

PyCharm左上角【file】-【Settings】-【Project：pythonProject】-【Python Interpreter】

二、获取数据集

sklearn数据集有有三种「获取数据」的方式：

• sklearn.datasets.load_*()：小规模数据集（本地加载）
• sklearn.datasets.fetch_*()：大规模数据集（在线下载）
• sklearn.datasets.make_*()：本地生成数据集（本地构造）

sklearn数据集的「返回值」是字典格式：

• data：特征值数据数组
• target：目标值数据数组（标签）
• target_names：标签名（目标值和标签的对应关系）
• DESCR：数据描述
• feature_names：特征名

接下来，我们获取一个自带的本地数据集：

from sklearn import datasets

# 获取数据集
iris = datasets.load_iris()
# 打印数据集
print(iris)

输出：

从输出结果来看，它返回的数据集是一个字典，里面包含了特征值（data）、目标值（target）等信息。

我们可以调用返回值「属性」，单独查看数据集的某个信息：

from sklearn import datasets

# 获取数据集
iris = datasets.load_iris()

# 查看数据值
print(iris.data)
# 查看目标值（标签）
print(iris.target)
# 查看标签名
print(iris.target_names)
# 查看数据描述
print(iris.DESCR)
# 查看特征名
print(iris.feature_names)

三、数据集划分

数据集通常会划分为两个部分：

• 「训练数据」：用于训练，生成模型。
• 「测试数据」：用于检验，判断模型是否有效。

sklearn.model_selection.train_test_split() 用来划分数据集

参数：

• x：（必选）数组类型，数据集的特征值
• y：（必选）数组类型，数据集的目标值
• test_size：（可选，默认0.25）浮点型，测试集的大小
• random_state：（可选）整型，随机数种子，不同的随机数对应不同的采样结果。

返回值：

• 训练集特征值、测试集特征值、训练集目标值、测试集目标值

接下来，我们对刚才获取的本地数据集进行划分，测试集大小不给值，就是默认的0.25，意思是25%当做测试数据、剩下的75%当做训练数据。

from sklearn import datasets
from sklearn import model_selection

# 获取数据集
iris = datasets.load_iris()

# 数据集的特征值
data_arr = iris.data
# 数据集的目标值（标签）
target_arr = iris.target


x_data, y_data, x_target, y_target = model_selection.train_test_split(data_arr, target_arr)
print('训练集特征值', x_data)
print('测试集特征值', y_data)
print('训练集目标值', x_target)
print('测试集目标值', y_target)