sklearn数据集与估计器

1 sklearn数据集

（1）数据来源：大多数以文件的形式（csv文件..）, 因为mysql有性能瓶颈、读取速度遭到限制，数据大的时候很费时间

（2）读取数据的工具：Python中很强大的模块 pandas:读取工具、numpy(数据计算模块，计算速度非常快,因为释放了Python中的GIL)

（3）可用数据集：

①Kaggle网址：https://www.kaggle.com/datasets

Kaggle特点：大数据竞赛平台；80万科学家；真实数据；数据量巨大

②UCI数据集网址： http://archive.ics.uci.edu/ml/

UCI特点：收录了360个数据集；覆盖科学、生活、经济等领域；数据量几十万

③scikit-learn网址：http://scikit-learn.org/stable/datasets/index.html#datasets

scikit-learn特点：1数据量较小；方便学习

（4）数据集的结构

机器学习中数据集的结构：特征值+目标值

特征值：就是DataFrame（他的特点是有行索引和列索引）中的列索引

目标值：很据特征值得到的结果值，就为目标值，就是想要做的事情的目的的分类

样本：每一行数据可以作为一个样本

2 sklearn.datasets

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

一般在进行模型的测试时，我们会将数据分为训练集和测试集。在给定的样本空间中，拿出大部分样本作为训练集来训练模型，剩余的小部分样本使用刚建立的模型进行预测。

sklearn数据集划分API：sklearn.model_selection.train_test_split

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

datasets.make_*()本地生成数据集

datasets.get_data_home()获取数据集目录，这个文件夹被一些大的数据集装载器使用，以避免下载数据。默认情况下，数据目录设置为用户主文件夹中名为“scikit_learn_data”的文件夹。或者，可以通过“SCIKIT_LEARN_DATA”环境变量或通过给出显式的文件夹路径以编程方式设置它。

clear_data_home(data_home=None)删除所有下载数据

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

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,回归数据集没有

2.1 获取小数据集

（1）分类数据集

①sklearn.datasets.load_iris()：加载并返回鸢尾花数据集

名称	数量
类别	3
特征	4
样本数量	150
每个类别数量	50

参数：return_X_y: 如果为True，则返回而不是Bunch对象，默认为False

返回值Bunch对象，如果return_X_y为True，那么返回tuple，（data,target）

from sklearn.datasets import load_iris
ld = load_iris()
print(ld)

②sklearn.datasets.load_digits()：加载并返回数字数据集

名称	数量
类别	10
特征	64
样本数量	1797

（2）回归数据集

①sklearn.datasets.load_boston()：加载并返回波士顿房价数据集

名称	数量
目标类别	5-50
特征	13
样本数量	506

②sklearn.datasets.load_diabetes() ：加载和返回糖尿病数据集

名称	数量
目标范围	25-346
特征	10
样本数量	442

2.2 获取大数据集

sklearn.datasets.fetch_20newsgroups():加载20个新闻组数据集中的文件名和数据

data_home	默认值：无，指定数据集的下载和缓存文件夹。如果没有，所有scikit学习数据都存储在'〜/ scikit_learn_data'子文件夹中
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”，具有洗牌顺序
categories	无或字符串或Unicode的集合，如果没有（默认），加载所有类别。如果不是无，要加载的类别名称列表（忽略其他类别）
shuffle	是否对数据进行洗牌
random_state	numpy随机数生成器或种子整数
remove	元组
download_if_missing	默认为True，如果False，如果数据不在本地可用而不是尝试从源站点下载数据，则引发IOError

sklearn.datasets.fetch_20newsgroups_vectorized()：加载20个新闻组数据集并将其转换为tf-idf向量

2.3 生成本地数据

sklearn.datasets.make_classification():生成本地分类数据

n_samples:int	（default = 100)，样本数量
n_features	（默认= 20），特征总数
n_classes	类（或标签）的分类问题的数量
random_state	RandomState实例或无，可选（默认=无）

sklearn.datasets.make_regression():生成本地回归数据