【sklearn教程】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,方便我们进行实验和研究。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一下简单的介绍:
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
。我们可以通过 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。
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_wine
wine = 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)。
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_boston
boston = 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。
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_digits
digits = 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
威斯康星州乳腺癌数据集
威斯康星州乳腺癌数据集是一个用于二分类问题的数据集,它包含569个乳腺癌肿瘤样本,每个样本记录了10种与肿瘤细胞核有关的信息,这些信息包括:
- radius: 细胞核半径
- texture: 细胞核表面的纹理
- perimeter: 细胞核周长
- area: 细胞核面积
- smoothness: 细胞核表面的平滑程度
- compactness: 细胞核的紧凑度
- concavity:细胞核凹陷的程度
- concave points: 细胞核凹陷的点数
- symmetry: 细胞核形状的对称性
- fractal dimension: 细胞核边界的分形维度
计算样本中以上信息的平均数、标准差和最大值(最差)形成30个特征,用于区分良性和恶性肿瘤。该数据集的使用方法也是类似的:
from sklearn.datasets import load_digits
breast_cancer=load_breast_cancer()
X, y = breast_cancer.data, breast_cancer.target
文章转载自公众号:用Python学机器学习
- 分享
- 举报
-
浏览量:2779次2023-09-06 17:27:25
-
浏览量:1105次2023-09-05 18:20:58
-
浏览量:691次2023-07-05 10:16:00
-
浏览量:593次2023-09-27 14:17:16
-
浏览量:12581次2021-05-12 12:35:30
-
浏览量:855次2023-09-12 11:29:59
-
浏览量:4589次2021-04-08 11:23:42
-
浏览量:5827次2021-04-14 16:24:29
-
浏览量:4993次2021-04-12 16:28:50
-
浏览量:197次2023-08-15 22:50:27
-
浏览量:1689次2023-05-18 22:55:16
-
浏览量:7278次2021-06-15 10:28:29
-
浏览量:353次2023-07-24 11:00:24
-
2023-09-27 11:34:33
-
浏览量:1183次2023-03-29 10:55:15
-
浏览量:174次2023-08-16 18:28:43
-
浏览量:1538次2023-04-13 10:45:45
-
浏览量:673次2024-02-28 15:53:55
-
浏览量:150次2023-08-15 18:40:55
-
广告/SPAM
-
恶意灌水
-
违规内容
-
文不对题
-
重复发帖
Bepartofyou
感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~
举报类型
- 内容涉黄/赌/毒
- 内容侵权/抄袭
- 政治相关
- 涉嫌广告
- 侮辱谩骂
- 其他
详细说明