5. sklearn数据集

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)

1. data: 特征数据数组，是[n_samples * n_features]的二维dumpy.ndarray数组
2. target: 标签数组，是n_samples的一维dumpy.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

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：

1. sklearn.neighbors k-近邻算法
2. sklearn.naive_bayes 贝叶斯
3. sklearn.linear_model.LogisticRegression 逻辑回归

• 用于回归的估计器：

1. sklearn.linear_model.LinearRegression 线性回归
2. sklearn.linear_model.Ridge岭回归