西瓜数据集介绍以及获取。

最新推荐文章于 2025-09-06 11:38:11 发布
原创 最新推荐文章于 2025-09-06 11:38:11 发布 · 3.4w 阅读 · 196 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数据集

西瓜数据集介绍。

这里介绍一下《机器学习》中的西瓜数据。数据集也不少，放在别的文章中介绍就会略占篇幅，还是单独的介绍一下并且给出数据样本。

在西瓜书中，主要使用到的数据样本共有2.0、3.0、4.0这三个版本，但是还有一些用到的数据集。

西瓜数据集2.0

在西瓜数据集2.0中的特征主要有以下几种：色泽、根蒂、敲声、纹理、脐部、触感。这几个数值都是离散数值，每个特征共有三个离散值。

来自西瓜书中的西瓜数据集2.0：

编号色泽根蒂敲声纹理脐部触感好瓜
1青绿蜷缩浊响清晰凹陷硬滑是
2乌黑蜷缩沉闷清晰凹陷硬滑是
3乌黑蜷缩浊响清晰凹陷硬滑是
4青绿蜷缩沉闷清晰凹陷硬滑是
5浅白蜷缩浊响清晰凹陷硬滑是
6青绿稍蜷浊响清晰稍凹软粘是
7乌黑稍蜷浊响稍糊稍凹软粘是
8乌黑稍蜷浊响清晰稍凹硬滑是
9乌黑稍蜷沉闷稍糊稍凹硬滑否
10青绿硬挺清脆清晰平坦软粘否
11浅白硬挺清脆模糊平坦硬滑否
12浅白蜷缩浊响模糊平坦软粘否
13青绿稍蜷浊响稍糊凹陷硬滑否
14浅白稍蜷沉闷稍糊凹陷硬滑否
15乌黑稍蜷浊响清晰稍凹软粘否
16浅白蜷缩浊响模糊平坦硬滑否
17青绿蜷缩沉闷稍糊稍凹硬滑否

看的也是眼花缭乱，这里共有8个好瓜和9个坏瓜样本。

以下代码可以获取带上面你的样本数据和对应的标签，以及某个特征值的所有可能性。

def createDataSet():
    """
    创建测试的数据集
    :return:
    """
    dataSet = [
        # 1
        ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        # 2
        ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
        # 3
        ['乌黑', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        # 4
        ['青绿', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
        # 5
        ['浅白', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        # 6
        ['青绿', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '好瓜'],
        # 7
        ['乌黑', '稍蜷', '浊响', '稍糊', '稍凹', '软粘', '好瓜'],
        # 8
        ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '硬滑', '好瓜'],

        # ----------------------------------------------------
        # 9
        ['乌黑', '稍蜷', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜'],
        # 10
        ['青绿', '硬挺', '清脆', '清晰', '平坦', '软粘', '坏瓜'],
        # 11
        ['浅白', '硬挺', '清脆', '模糊', '平坦', '硬滑', '坏瓜'],
        # 12
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '软粘', '坏瓜'],
        # 13
        ['青绿', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', '坏瓜'],
        # 14
        ['浅白', '稍蜷', '沉闷', '稍糊', '凹陷', '硬滑', '坏瓜'],
        # 15
        ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '坏瓜'],
        # 16
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '硬滑', '坏瓜'],
        # 17
        ['青绿', '蜷缩', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜']
    ]

    # 特征值列表
    labels = ['色泽', '根蒂', '敲击', '纹理', '脐部', '触感']

    # 特征对应的所有可能的情况
    labels_full = {}

    for i in range(len(labels)):
        labelList = [example[i] for example in dataSet]
        uniqueLabel = set(labelList)
        labels_full[labels[i]] = uniqueLabel

    return dataSet, labels, labels_full
西瓜数据集3.0

相较于上面的2.0数据集，3.0又增添了两个特征值：密度和含糖率。这两个特征值都是连续数值。这里不再列出表格，直接给出获取样本数据的代码。

def createDataSet():
    """
    创建测试的数据集，里面的数值中具有连续值
    :return:
    """
    dataSet = [
        # 1
        ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', 0.697, 0.460, '好瓜'],
        # 2
        ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', 0.774, 0.376, '好瓜'],
        # 3
        ['乌黑', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', 0.634, 0.264, '好瓜'],
        # 4
        ['青绿', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', 0.608, 0.318, '好瓜'],
        # 5
        ['浅白', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', 0.556, 0.215, '好瓜'],
        # 6
        ['青绿', '稍蜷', '浊响', '清晰', '稍凹', '软粘', 0.403, 0.237, '好瓜'],
        # 7
        ['乌黑', '稍蜷', '浊响', '稍糊', '稍凹', '软粘', 0.481, 0.149, '好瓜'],
        # 8
        ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '硬滑', 0.437, 0.211, '好瓜'],

        # ----------------------------------------------------
        # 9
        ['乌黑', '稍蜷', '沉闷', '稍糊', '稍凹', '硬滑', 0.666, 0.091, '坏瓜'],
        # 10
        ['青绿', '硬挺', '清脆', '清晰', '平坦', '软粘', 0.243, 0.267, '坏瓜'],
        # 11
        ['浅白', '硬挺', '清脆', '模糊', '平坦', '硬滑', 0.245, 0.057, '坏瓜'],
        # 12
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '软粘', 0.343, 0.099, '坏瓜'],
        # 13
        ['青绿', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', 0.639, 0.161, '坏瓜'],
        # 14
        ['浅白', '稍蜷', '沉闷', '稍糊', '凹陷', '硬滑', 0.657, 0.198, '坏瓜'],
        # 15
        ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '软粘', 0.360, 0.370, '坏瓜'],
        # 16
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '硬滑', 0.593, 0.042, '坏瓜'],
        # 17
        ['青绿', '蜷缩', '沉闷', '稍糊', '稍凹', '硬滑', 0.719, 0.103, '坏瓜']
    ]

    # 特征值列表
    labels = ['色泽', '根蒂', '敲击', '纹理', '脐部', '触感', '密度', '含糖率']

    # 特征对应的所有可能的情况
    labels_full = {}

    for i in range(len(labels)):
        labelList = [example[i] for example in dataSet]
        uniqueLabel = set(labelList)
        labels_full[labels[i]] = uniqueLabel

    return dataSet, labels, labels_full
西瓜数据集4.0

西瓜数据集只包含了密度和含糖率，并没有给出分类标签，在聚类中出现了4.0数据集。

def createDataSet():
    """
    创建测试的数据集，里面的数值中具有连续值
    :return:
    """
    dataSet = [
        # 1
        [0.697, 0.460],
        # 2
        [0.774, 0.376],
        # 3
        [0.634, 0.264],
        # 4
        [0.608, 0.318],
        # 5
        [0.556, 0.215],
        # 6
        [0.403, 0.237],
        # 7
        [0.481, 0.149],
        # 8
        [0.437, 0.211],
        # 9
        [0.666, 0.091],
        # 10
        [0.243, 0.267],
        # 11
        [0.245, 0.057],
        # 12
        [0.343, 0.099],
        # 13
        [0.639, 0.161],
        # 14
        [0.657, 0.198],
        # 15
        [0.360, 0.370],
        # 16
        [0.593, 0.042],
        # 17
        [0.719, 0.103]
        # 18
        [0.359, 0.188]
        # 19
        [0.339, 0.241]
        # 20
        [0.282, 0.257]
        # 21
        [0.748, 0.232]
        # 22
        [0.714, 0.346]
        # 23
        [0.483, 0.312]
        # 24
        [0.478, 0.437]
        # 25
        [0.525, 0.369]
        # 26
        [0.751, 0.489]
        # 27
        [0.532, 0.472]
        # 28
        [0.473, 0.376]
        # 29
        [0.725, 0.445]
        # 30
        [0.446, 0.459]
    ]

    # 特征值列表

    labels = ['密度', '含糖率']

    # 特征对应的所有可能的情况
    labels_full = {}

    for i in range(len(labels)):
        labelList = [example[i] for example in dataSet]
        uniqueLabel = set(labelList)
        labels_full[labels[i]] = uniqueLabel

    return dataSet, labels, labels_full
具有缺失数据的3.0数据集

在决策树部分介绍如何处理缺失值的时候用到了该数据集。

def createDataSet():
    """
    创建测试的数据集
    :return:
    """
    dataSet = [
        # 1
        ['-', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        # 2
        ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '-', '好瓜'],
        # 3
        ['乌黑', '蜷缩', '-', '清晰', '凹陷', '硬滑', '好瓜'],
        # 4
        ['青绿', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
        # 5
        ['-', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        # 6
        ['青绿', '稍蜷', '浊响', '清晰', '-', '软粘', '好瓜'],
        # 7
        ['乌黑', '稍蜷', '浊响', '稍糊', '稍凹', '软粘', '好瓜'],
        # 8
        ['乌黑', '稍蜷', '浊响', '-', '稍凹', '硬滑', '好瓜'],

        # ----------------------------------------------------
        # 9
        ['乌黑', '-', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜'],
        # 10
        ['青绿', '硬挺', '清脆', '-', '平坦', '软粘', '坏瓜'],
        # 11
        ['浅白', '硬挺', '清脆', '模糊', '平坦', '-', '坏瓜'],
        # 12
        ['浅白', '蜷缩', '-', '模糊', '平坦', '软粘', '坏瓜'],
        # 13
        ['-', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', '坏瓜'],
        # 14
        ['浅白', '稍蜷', '沉闷', '稍糊', '凹陷', '硬滑', '坏瓜'],
        # 15
        ['乌黑', '稍蜷', '浊响', '清晰', '-', '软粘', '坏瓜'],
        # 16
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '硬滑', '坏瓜'],
        # 17
        ['青绿', '-', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜']
    ]

    # 特征值列表
    labels = ['色泽', '根蒂', '敲击', '纹理', '脐部', '触感']

    # 各个样本的权重
    Wx = []
    for i in range(len(dataSet)):
        Wx.append(1)

    # 特征对应的所有可能的情况
    labels_full = {}

    for i in range(len(labels)):
        labelList = [example[i] for example in dataSet if example[i] != '-']
        uniqueLabel = set(labelList)
        labels_full[labels[i]] = uniqueLabel

    return dataSet, labels, labels_full, Wx
西瓜数据集读取的详细解决方案
weixin_43178406的博客
02-10 5万+
本文主要介绍了西瓜数据集读取的详细解决方案，希望能对新手有所帮助。 文章目录 1. 数据集介绍 2. 读取详细代码 2.1 西瓜数据集1.0 2.2 西瓜数据集2.0 2.3 西瓜数据集3.0 2.4 西瓜数据集4.0
Python实现Logistc回归分类（西瓜数据集、鸢尾花数据集）详解
chris的博客
10-20 5338
使用Logistic回归分类模型，进行标准二分类和多分类（投票法）
西瓜数据集3.0-数据集
最新发布
10-12
《西瓜数据集3.0——深度解析与应用》 西瓜数据集3.0是一个广泛用于数据分析和机器学习领域的宝贵资源，包含两个主要的数据文件：watermelon_3.csv 和 watermelon_3a.csv。这两个文件提供了丰富的信息，可以用于训练和评估各种算法，如分类、回归和聚类等。在本文中，我们将深入探讨这些数据集的结构、内容以及可能的应用场景。 watermelon_3.csv 和 watermelon_3a.csv 文件都是CSV格式，这是一种通用的表格数据存储格式，便于用编程语言如Python、R等进行处理。CSV文件由逗号分隔的值组成，每行代表一个样本，每一列代表一个特征或变量。在西瓜数据集中，这些特征可能包括西瓜的各种属性，如重量、颜色、纹理、产地等，这些属性是研究西瓜质量、价格或销售的关键因素。 对于watermelon_3.csv，我们可以假设它是一个基础版本，包含了对西瓜的基本属性描述。例如，可能有以下列： 1. ID：每个西瓜的唯一标识。 2. 重量：西瓜的重量，可能影响其品质和价格。 3. 颜色：西瓜皮的颜色，可能与成熟度有关。 4. 条纹：西瓜皮上的条纹模式，也可能影响品质感知。 5. 硬度：敲击西瓜时的声音硬度，有助于判断成熟度。 6. 产地：西瓜的种植地，可能影响其口感和受欢迎程度。 7. 价格：西瓜的销售价格，取决于多种因素。 8. 评分：用户或专家给出的西瓜质量评分。 而watermelon_3a.csv可能是对原始数据集的扩展或修正，可能包含了额外的特征，如湿度、糖分含量等，或者是对原有数据的补充，比如增加了更多样本以提高统计可靠性。 在实际应用中，西瓜数据集3.0可用于多个领域： 1. **机器学习模型训练**：数据集中的数值特征可以用于训练分类模型，预测西瓜的质量等级或价格范围。例如，使用决策树、随机森林、支持向量机或神经网络等算法。 2. **特征工程与选择**：通过探索数据，我们可以识别哪些特征对预测目标有最大影响，这有助于构建更高效的模型。 3. **数据可视化**：绘制散点图、箱线图或直方图，以理解不同特征之间的关系，发现潜在的模式或异常值。 4. **异常检测**：通过分析数据分布，可以发现不符合常规的西瓜属性，可能对应着质量问题或数据录入错误。 5. **市场分析**：研究产地、价格和评分的关系，为西瓜的销售策略提供依据。 6. **教育与研究**：数据集为初学者提供了一个理想的实践平台，帮助他们学习数据处理、建模和解释结果。 西瓜数据集3.0不仅是一个数据科学的实例，也是提升技能、创新思维的工具。通过深入挖掘其中的信息，我们可以了解西瓜品质的决定因素，甚至可能改进西瓜的种植、销售和评价标准。无论你是数据分析师、机器学习工程师还是科研人员，这个数据集都值得你投入时间和精力去探索
机器学习西瓜数据集4.0
12-26
30条西瓜数据集，机器学习样例数据。
【机器学习入门】6.2 朴素贝叶斯分类器详解：从理论到西瓜数据集实战
国科大硕士在读，分享Python/GEE/Matlab/R专业代码实践，涵盖数据分析、算法开发与应用技巧等，以代码会友。
09-06 1188
本文介绍了朴素贝叶斯分类器的核心原理与应用。文章首先解释了为什么需要"朴素"假设（特征条件独立），以简化多特征联合概率计算。随后详细拆解了算法的三大步骤：数据准备、训练阶段（计算先验概率和条件概率）和应用阶段（分类预测），并通过西瓜数据集2.0的实战案例演示了具体计算过程。最后总结了该算法的优缺点（简单高效但对特征独立性敏感）和适用场景（文本分类、小样本问题等），指出其作为机器学习入门算法的价值。全文以通俗语言配合实例，帮助读者理解这个基础但实用的分类方法。
【机器学习】决策树的构造过程，以西瓜数据集2.0为例，构造基于信息增益生成的决策树
HUITOUzzz的博客
10-15 1811
信息增益表示通过选择某个特征进行分割后，数据集的熵的减少程度，基尼增益类似地衡量了数据集的不纯度的减少程度。这一步是为了衡量数据集的混乱程度，用于选择最佳的特征来进行分割。需要注意的是，决策树算法还有其他的构造方法和分割准则，例如基于基尼指数的CART算法、C4.5算法等。④对每个子节点，重复步骤1到步骤3，直到满足停止条件（例如：到达预定的树深度，节点中的样本数小于阈值等）。使用该特征进行数据集的分割，生成子节点。7 乌黑 稍蜷 浊响 稍糊 稍凹 硬滑 是。8 乌黑 稍蜷 浊响 清晰 稍凹 硬滑 是。
DNN简介——西瓜数据集案例
m0_70103744的博客
09-13 2388
最左边的是输入层，最右边的是输出层，中间是多个隐含层，输入层开始，从左往右计算，逐层往前直到输出层产生结果。如果结果值和目标值有差距，再从右往左算，逐层向后计算每个节点的误差，并且调整每个节点的所有权重，反向到达输入层后，又重新向前计算，重复迭代以上步骤，直到所有权重参数收敛到一个合理值。全连接神经网络（DNN）是一种多层无监督神经网络，并且将上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。
朴素贝叶斯——在西瓜数据集上的应用
fjstjsjg的博客
05-14 3620
朴素贝叶斯分类是一种基于贝叶斯定理和特征条件独立假设的监督学习分类算。它广泛应用于文本分类、垃圾邮件过滤、情感分析等领域。本文将通过一个简单的西瓜数据集为例，介绍朴素贝叶斯分类算法的基本原理和实现过程。
决策树挑出好西瓜
weixin_44314290的博客
11-07 4680
一、决策树算法利用了信息论的信息熵的计算。 决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3，C4.5和C5.0生成树算法使用熵。最经典的决策树算法有ID3...
西瓜数据集
05-22
西瓜数据集3.0 及西瓜数据集4.0 ，方便以后学习与使用。
【免费下载】 机器学习数据集——西瓜数据集
gitblog_06787的博客
04-12 509
机器学习数据集——西瓜数据集 【下载地址】机器学习数据集西瓜数据集 西瓜数据集是一个专为《机器学习》第五章BP网络测试设计的开源数据集，旨在帮助学习者和开发者深入理解BP网络模型的性能与应用。通过该数据集，您可以直观地验证BP网络在实际问题中的表现，并提升对机器学习算法的掌握。数据集使用简单，只需解压后即可开始测试和学习...
西瓜书-西瓜数据集2.0
03-31
csv格式，u-f8编码
西瓜数据集，西瓜数据集3.0α
07-29
西瓜数据集，西瓜数据集3.0α
watermelon_决策树_西瓜数据集_西瓜数据_
10-03
西瓜数据集共17个数据，用这个数据集做一个决策树，输出以图形的形式输出或以列表的形式输出，每一次中间节点分类的时候都要把输出的图形显示出来
南瓜、西瓜、西红柿图片数据集
01-27
南瓜、西瓜、西红柿图片数据集，用于Fine Tuning的学习，包括训练集和验证集。 具体代码可参考：https://cchang.blog.youkuaiyun.com/article/details/86422080
数据挖掘第二次作业（用Python对西瓜数据集进行分析）
10-30
通过以上步骤，我们完成了对西瓜数据集的初步分析，包括计算了“密度”和“含糖率”的统计特性，以及确定了“敲声”的类型数量。记得在实际操作中，根据数据集的实际结构和要求调整代码。完成分析后，按照作业要求，...
西瓜数据集VOC格式详细介绍及使用说明
资源摘要信息:"本资源是一个数据集，主要以Pascal VOC格式提供，数据集名为“西瓜数据集-1702张”，包含了1702张jpg格式的图片和对应的1702个xml格式的标注文件。该数据集专注于一个单一类别，即“watermelon（西瓜...
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值