机器学习之数据集

目录

1、简介

2、可用数据集

3、scikit-learn数据集API

3.1、小数据集

3.2、大数据集

4、数据集使用

---

⭐所属专栏：人工智能

文中提到的代码如有需要可以私信我发给你😊

1、简介

当谈论数据集时，通常是指在机器学习和数据分析中使用的一组数据样本，这些样本通常代表了某个特定问题领域的实际观测数据。数据集可以用于开发、训练和评估机器学习模型，从而使模型能够从数据中学习并做出预测或分类。

数据集通常由以下几个组成部分组成：

1. 特征（Features）：也称为自变量、属性或输入变量，是用来描述每个数据样本的不同方面的数据。特征可以是数值型、类别型、文本型等。在监督学习中，特征被用来训练模型。
2. 目标变量（Target Variable）：也称为因变量、标签或输出变量，是我们希望模型预测或分类的值。在监督学习中，模型使用特征来预测或分类目标变量。
3. 样本（Samples）：每个样本是数据集中的一行，包含特征和目标变量的值。样本代表了问题领域中的一个观测点或数据点。
4. 特征名称（Feature Names）：如果数据集中的特征有名称，通常会提供一个特征名称列表，以便更好地理解和解释特征。
5. 目标变量的类别（Target Variable Classes）：对于分类问题，目标变量可能有多个类别，每个类别表示一个不同的类或标签。
6. 数据集描述（Dataset Description）：通常包括数据集的来源、数据采集方法、特征和目标变量的含义，以及数据的格式和结构等信息。

数据集可以在各种领域和问题中使用，例如医疗诊断、自然语言处理、计算机视觉、金融预测等。不同类型的数据集可能需要不同的预处理和特征工程步骤，以便为模型提供有意义的数据。

在机器学习中，一个常见的任务是将数据集划分为训练集和测试集，用于模型的训练和评估。这样可以确保模型在未见过的数据上能够进行泛化。数据集的质量和适用性对机器学习模型的性能和效果有很大影响，因此选择合适的数据集和进行有效的特征工程非常重要。

2、可用数据集

Kaggle网址：Find Open Datasets and Machine Learning Projects | Kaggle

UCI数据集网址： UCI Machine Learning Repository

scikit-learn网址：http://scikit-learn.org/stable/datasets/index.html#datasets

Scikit-learn工具介绍：

• Python语言的机器学习工具
• Scikit-learn包括许多知名的机器学习算法的实现
• Scikit-learn文档完善，容易上手，丰富的API
• 目前稳定版本0.19.1

安装：pip3 install Scikit-learn==0.19.1 (安装scikit-learn需要Numpy, Scipy等库)

Scikit-learn包含的内容：

scikitlearn接口

• 分类、聚类、回归
• 特征工程
• 模型选择、调优

3、scikit-learn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/

3.1、小数据集

sklearn.datasets.load_iris() 加载并返回鸢尾花数据集

sklearn.datasets.load_boston() 加载并返回波士顿房价数据集

3.2、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”

4、数据集使用

这里使用的是鸢尾花数据集

数据集返回值介绍：

load和fetch返回的数据类型datasets.base.Bunch(字典格式)

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,新闻数据，手写数字、回归数据集没有

target_names：标签名

from sklearn.datasets import load_iris'''
load和fetch返回的数据类型datasets.base.Bunch(字典格式)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,新闻数据，手写数字、回归数据集没有target_names：标签名
'''
def getIris_1():# 获取鸢尾花数据集iris = load_iris()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Benchprint("鸢尾花的特征值:\n", iris["data"])print("鸢尾花的目标值：\n", iris.target)print("鸢尾花特征的名字：\n", iris.feature_names)print("鸢尾花目标值的名字：\n", iris.target_names)print("鸢尾花的描述：\n", iris.DESCR)if __name__ == '__main__':getIris_1()

数据集划分：

机器学习一般的数据集会划分为两个部分：

• 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

划分比例：

• 训练集：70% 80% 75%
• 测试集：30% 20% 30%

数据集划分api：

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。

return 测试集特征训练集特征值值，训练标签，测试标签(默认随机取)

from sklearn.model_selection import train_test_split  # 数据集划分'''
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floatrandom_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。return 测试集特征训练集特征值值，训练标签，测试标签(默认随机取)
'''
def datasets_demo():"""对鸢尾花数据集的演示:return: None"""# 1、获取鸢尾花数据集iris = load_iris()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Benchprint("鸢尾花的特征值:\n", iris["data"])print("鸢尾花的目标值：\n", iris.target)print("鸢尾花特征的名字：\n", iris.feature_names)print("鸢尾花目标值的名字：\n", iris.target_names)print("鸢尾花的描述：\n", iris.DESCR)# 2、对鸢尾花数据集进行分割# 训练集的特征值x_train 测试集的特征值x_test 训练集的目标值y_train 测试集的目标值y_testx_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)print("x_train:\n", x_train.shape)# 随机数种子x_train1, x_test1, y_train1, y_test1 = train_test_split(iris.data, iris.target, random_state=6)x_train2, x_test2, y_train2, y_test2 = train_test_split(iris.data, iris.target, random_state=6)print("如果随机数种子不一致：\n", x_train == x_train1)print("如果随机数种子一致：\n", x_train1 == x_train2)return Noneif __name__ == '__main__':datasets_demo()