零基础学习机器学习【第二天】获取数据集

前言

机器学习就是从数据中发现规律，机器学习分为有监督学习和无监督学习，列举常见的算法。并讲述数据集由特征值和目标值组成。机器学习的前提是要有数据作为支撑。本文主要介绍如何获取数据集

数据集获取

在机器学习算法的学习进程中，我们常常需要数据来进行算法的学习和试验。然而，要找到一组适用于特定机器学习类型的数据并非易事。以下将对常见的开源数据集予以汇总。

Kaggle网址

在Kaggle上有许多公开的数据集可以使用，你可以看到一个数据集列表，可以搜索任何你要在自己的数据模型中用到的特定数据集，而且大多数数据集都是可以直接引用的CSV文件格式。有一些数据格式已经不太流行但仍然有用，例如JSON格式的数据集、SQLite、archives和BigQuery。下面是三个目前最热门的数据集的例子。
使用Kaggle的好处：

• 大数据竞赛平台
• 80万科学家
• 真实数据
• 数据量巨大

Kaggle网址：https://www.kaggle.com/datasets

UCI数据集网址

UCI 数据集由美国加州大学欧文分校提出，是适合模式识别和机器学习的开源数据集。其数据特点包括多样性，涵盖多种任务类型和多个领域，满足不同需求；规模适中，适合教学和初学者进行初步研究；且更新频繁，保持时效性和实用性。数据格式标准，分为元数据和数据部分，元数据有数据集描述信息，数据部分每一行代表一个样本，属性以逗号或空格分隔。
使用 UCI数据集的好处：

• 收录450个数据集
• 覆盖科学、生活、经济等领域
• 数据量较大

UCI数据集网址：http://archive.ics.uci.edu/

• 收录450个数据集
• 覆盖科学、生活、经济等领域
• 数据量十几万

scikit-learn网址

Scikit-learn 是广泛用于机器学习的 Python 库，提供了有价值的内置数据集。这些数据集具有丰富的数据多样性，包括分类数据集（如鸢尾花和数字数据集）和回归数据集（如波士顿房价数据集)。同时，它们具有出色的数据易用性，加载方便且部分经过预处理。此外，规模适中，适合教学和实验，可视化也很方便，能帮助学生快速理解机器学习算法原理，也便于用户深入探索分析数据。
使用scikit-learn数据集的好处

• 数据量较小
• scikit-learn文档完善、容易上手
• 非常适用于测试和学习

scikit-learn网址：https://scikit-learn.org/stable/datasets

安装scikit-learn库

在cmd命令行窗口输入命令进行安装

pip install scikit-learn

如果下载速度过慢 我们也可以使用清华镜像源来下载安装

python pip install scikit-learn  -i https://pypi.tuna.tsinghua.edu.cn/simple

安装好之后可以通过命令查看是否安装成功

imoprt sklearn

注意：安装scikit-learn需要Numpy,Scipy等库

sklearn包含内容

• 分类、聚类、回归
• 特征工程
• 模型选择、调优