sklearn中常用数据集简介

scikit-learn库中提供了包括分类、回归、聚类、降维等多种机器学习任务所需的常用数据集，方便进行实验和研究，它们主要被封装在sklearn.datasets中，本文对其中一些常用的数据集进行简单的介绍。

1.Iris（鸢尾花）数据集

该数据集包含150个鸢尾花样本，分为3个品种，每个品种50个样本。每个样本包含4个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。目的是使用这4个特征来对鸢尾花进行分类。scikit-learn中该数据集主要封装在sklearn.datasets.load_iris()中，使用方法如下：

from sklearn.datasets import load_iris# 加载数据集
iris = load_iris()# 打印数据集的描述
print(iris.DESCR)# 打印特征名
print(iris.feature_names)# 打印标签类别
print(iris.target_names)# 获取特征矩阵和目标向量
X = iris.data
y = iris.target

在上面的代码中，load_iris() 方法返回一个包含Iris数据集的对象 iris 。可以通过 iris.DESCR、iris.feature_names、iris.target_names 属性打印出数据集的描述、特征名、标签类别。然后，我们可以使用 iris.data 属性获取特征矩阵，使用 iris.target 属性获取标签向量。特征矩阵 X 是一个包含150个样本和4个特征的二维数组，目标向量 y 是一个包含150个元素的一维数组，每个元素表示对应样本的类别。

2.Wine（葡萄酒）数据集

Wine数据集也是一个分类问题的数据集，包含了三个葡萄酒品种（class）的13种化学特征，一共有178个样本。这个数据集是由美国加州大学欧文分校（UCI）提供的，最初是为了研究酒的化学成分和葡萄酒品种之间的关系而构建的。

Wine数据集中的三个葡萄酒品种分别是：

• Class 1: 59个样本

• Class 2: 71个样本

• Class 3: 48个样本

13个化学特征分别是：

• Alcohol（酒精）

• Malic acid（苹果酸）

• Ash（灰分）

• Alcalinity of ash（灰的碱度）

• Magnesium（镁）

• Total phenols（总酚类化合物）

• Flavanoids（类黄酮）

• Nonflavanoid phenols（非类黄酮酚）

• Proanthocyanins（原花青素）

• Color intensity（颜色强度）

• Hue（色调）

• OD280/OD315 of diluted wines（稀释葡萄酒的OD280/OD315比值）

• Proline（脯氨酸）

Wine数据集使用方法和鸢尾花数据集是类似的：

from sklearn.datasets import load_winewine = load_wine()
X, y = wine.data, wine.target

其中，X代表数据集中的13个特征，y代表数据集中的三个葡萄酒品种（class）。

3.Boston（波士顿房价）数据集

Boston数据集则是一个回归问题的经典数据集，包含了美国波士顿地区房屋的14个特征，一共有506个样本。这个数据集同样是由美国加州大学欧文分校（UCI）提供的，我们通常用来研究房屋价格和房屋特征之间的关系。

Boston数据集中的14个特征分别是：

• CRIM：城镇人均犯罪率

• ZN：占地面积超过25000平方英尺的住宅用地比例

• INDUS：城镇非零售业务占地面积的比例

• CHAS：查尔斯河虚拟变量（如果河流边界，则为1；否则为0）

• NOX：一氧化氮浓度（每千万分之一）

• RM：住宅平均房间数

• AGE：1940年之前建造的自用房屋的比例

• DIS：到波士顿五个就业中心的加权距离

• RAD：放射性公路的可达性指数

• TAX：每10,000美元的全值财产税率

• PTRATIO：城镇师生比例

• B：1000（Bk - 0.63）^ 2其中Bk是城镇黑人的比例

• LSTAT：人口中地位低下者的百分比

• MEDV：自住房屋房价中位数，以千美元计

该数据集使用方法如下：

from sklearn.datasets import load_bostonboston = load_boston()
X, y = boston.data, boston.target

其中，X代表数据集中的14个特征，y代表数据集中的自住房屋房价中位数的目标变量。

4.digits（手写数字）数据集

Digits数据集是一个手写数字识别数据集，它包含了1797张8x8像素的数字图像。每张图像都被转换为64维的特征向量，每个特征表示图像中的一个像素点。每张图像都被标记为0到9中的一个数字，表示图像所代表的数字。这个数据集非常适合用于机器学习中的图像分类问题。

在sklearn中，Digits数据集可以通过以下代码进行加载：

from sklearn.datasets import load_digitsdigits = load_digits()

按上述步骤执行完之后，digits对象同样包含两个主要属性：data和target。digits.data保存的是特征矩阵，它是一个1797x64的数组，每一行代表一张图像的特征向量。标签保存在digits.target中，它是一个长度为1797的一维数组，每个元素代表相应图像的数字标签。我们使用类似的方法可以导出特征和标签：

X, y = boston.data, boston.target