day01——sklearn数据集

一、安装

pip3 install Scikit-learn

注：安装scikit-learn需要Numpy, Scipy等库

二、获取数据

1，sklearn.datasets.load_* 获取小规模数据集

# 例如获取鸢尾花数据集
sklearn.datasets.load_iris()

2，sklearn.datasets.fetch_* 获取大规模数据集，需要从网络上下载

# 例如获取20类新闻文本
sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)

data_home：表示数据集下载的目录，默认是~/scikit learn.data/
subset：‘train’或者’test’，‘all’，选择要加载的数据集。分别为训练集，测试集，两者全部

三、数据集的返回值

返回的数据类型：datasets.base.Bunch（继承自字典）

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
target_names：标签名

四、数据集划分

思考：从sklearn拿到的数据是否全部都用来训练一个模型？
当然是不行的，数据对于开发人员来说是非常珍贵的，我们需要把数据分为训练数据和测试数据。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，一般测试集占全部数据的 20%~30%

1，数据集划分api

sklearn.model_selection.train_test_split(arrays, *options)
# 参数说明
# x：数据集的特征值
# y：数据集的标签值
# 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。

2，返回数据
x_train, x_test, y_train, y_test：训练集特征值，测试集特征值，训练集目标值，测试集目标值

五、实操

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 获取鸢尾花数据集
iris = load_iris()

# 查看返回的字典
print("鸢尾花数据集的返回值：\n", iris)

# 返回值是一个继承自字典的Bunch
print("鸢尾花的特征值:\n", iris["data"])
print("鸢尾花的目标值：\n", iris.target)
print("鸢尾花的描述：\n", iris.DESCR)
print("鸢尾花特征的名字：\n", iris.feature_names) 
print("鸢尾花目标值的名字：\n", iris.target_names)

# 划分鸢尾花数据集，随机分子为5
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=5)

# 查看训练集特征值数量
print("x_train:\n", x_train.shape)