Scikit-Learn数据集type
status
date
slug
summary
tags
category
icon
password
Property
数据类型
不同类型的数据集采用的算法是不一样的。总体来说，生活场景中只有两种类型的数据，一种是离散型，一种是连续型：
- 离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据不能再细分，也不能进一步提高他们的精确度。比如分类就是离散型数据。
- 连续型数据：变量可以在某个范围内取任一数，即变量的取值可以是连续的。如长度、时间、质量值等，这类数通常是非整数，含有小数部分
可用数据集
Kaggle：一个大数据竞赛平台，上面的数据都是真实的，并且有很多数据集。
UCI：收录了360个数据集，覆盖了科学、生活、经济等领域。
scikit-learn数据集：用于学习的数据集，数据量比较小，但是方便获取和学习。
获取数据集方式
获取数据集的方式有两种，有
load_*和fetch_*。以下：sklearn.datasets.load_*()：获取小规模的数据集，数据集已经随着scikit-learn安装而下载了。
sklearn.datasets.fetch_*(data_home=None)：用于从远程获取大规模的数据集，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/。
两种方式返回的结果都是
sklearn.utils.Bunch类型，这种数据类型有以下方法和属性：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
数据集的划分
拿到数据集后，一般会采用
75%的用于训练，25%的用来测试。因此在把数据进行训练之前，先要对数据进行划分。可以使用sklearn.model_selection.train_test_split进行分割，train_test_split中的常用参数如下：x：数据集的特征值
y：数据集的目标值
test_size：测试的数据的占比，用小数表示
返回值如下：
x_train：训练部分的特征值
x_test：测试部分的特征值
y_train：训练部分的特征值
y_test：测试部分的目标值
本地数据集
分类数据集
load_iris：鸢尾花花瓣数据集
load_digits：手写数字数据集
load_wine：红酒数据集
load_breast_cancer：乳腺癌数据集
回归数据集
load_boston：波士顿房价数据集
load_diabetes：糖尿病数据集
load_linnerud：体能训练数据集
以上所有的数据集的网址为：
远程数据集
远程数据集是一些真实的数据，一般都比较大，因此在需要的时候进行加载即可。
分类数据集
fetch_olivetti_faces：面孔数据集。
fetch_20newsgroups：20个新闻组数据集。
fetch_lfw_people：户外人脸识别数据集。
fetch_lfw_pairs：户外人脸对（同一个人两个图片）数据集。
fetch_covtype：美国一块30*30m的森林斑块土地，上面覆盖了不同类型的树木。
fetch_rcv1：路透社文集I (RCV1)。由路透社有限公司为研究目的提供的80多万篇手动分类的新闻专线报道的存档。
fetch_california_housing：加利福尼亚房子数据集。
Scikit-learn随机数据生成
scikit-learn生成随机数据的API都在datasets类之中，和numpy比起来，可以用来生成适合特定机器学习模型的数据。常用的API有：
make_regression 生成回归模型的数据
几个关键参数有n_samples（生成样本数），n_features（样本特征数），noise（样本随机噪音）和coef（是否返回回归系数）
make_hastie_10_2，make_classification或make_multilabel_classification生成分类模型数据
几个关键参数有n_samples（生成样本数）， n_features（样本特征数）， n_redundant（冗余特征数）和n_classes（输出的类别数）
make_blobs生成聚类模型数据
几个关键参数有n_samples（生成样本数）， n_features（样本特征数），centers(簇中心的个数或者自定义的簇中心)和cluster_std（簇数据方差，代表簇的聚合程度）
make_gaussian_quantiles生成分组多维正态分布的数据
几个关键参数有n_samples（生成样本数）， n_features（正态分布的维数），mean（特征均值）， cov（样本协方差的系数）， n_classes（数据在正态分布中按分位数分配的组数）
