快速入门Python机器学习（二）
快速入门Python机器学习（二）
二、常用数据
1 使用函数生成数据
1.1 生成一个随机回归问题
X,y = make_regression() |
|---|
ln_samples：样本数。
ln_features：特征数(自变量个数)。
ln_informative：参与建模特征数。
ln_targets：因变量个数。
lnoise：噪音。
lbias：偏差(截距)。
lcoef：是否输出coef标识。
lrandom_state：随机生成器的种子。
返回：
lX：形状数组(n个样本，n个特征) 输入样本。
ly：n个形状数组(n个样本，)或(n个样本，n个目标) 输出值。
lcoef：基础线性模型的系数。仅当coef为True时才返回。
1.2 生成各向同性高斯斑点用于聚类
X,y = make_blobs() |
|---|
ln_samples：表示数据样本点个数,默认值100。
ln_features：表示数据的维度，默认值是2。
lcenters：产生数据的中心点，默认值3。
lcluster_std：数据集的标准差，浮点数或者浮点数序列，默认值1.0。
lcenter_box：中心确定之后的数据边界，默认值(-10.0, 10.0)。
lshuffle：打乱样本和特征，默认值是True。
lrandom_state：随机生成器的种子。
返回：
lX：生成的样本。。
ly：每个样本的聚类成员的整数标签。
lcoef：每个星团的中心。仅当return_centers=True时返回。。
1.3生成一个随机n类分类问题
data=mak_classification() |
|---|
ln_samples：样本数。
ln_features：特征个数= n_informative() + n_redundant + n_repeated。
ln_informative：多信息特征的个数。
ln_redundant：冗余信息，informative特征的随机线性组合。
ln_repeated=0：重复信息，随机提取n_informative和n_redundant 特征。
ln_classes：分类类别。
ln_clusters_per_class：某一个类别是由几个cluster构成的。
lweights：列表类型，权重比。
lflip_y：随机分配类别的样本分数。较大的值会在标注中引入噪声，使分类任务更加困难。请注意，默认设置flip_y > 0在某些情况下可能会导致y中少于n_classes。
lclass_sep：乘以超立方体大小的因子。较大的值分散了簇/类，并使分类任务更容易。
lhypercube：如果为真，则聚类被放置在超立方体的顶点上。如果为False，则簇被放置在随机多面体的顶点上。。
lshift：按指定值移动要素。如果没有，则按照[-class_sep，class_sep]中绘制的随机值移动要素。
lscale：将要素乘以指定的值。如果没有，则按[1,100]中绘制的随机值缩放要素。请注意，缩放发生在移位之后。。
lshuffle：打乱样本和特征，默认值是True。
lrandom_state：如果是int，random_state是随机数发生器使用的种子; 如果RandomState实例，random_state是随机数生成器; 如果没有，则随机数生成器是np.random使用的RandomState实例。
返回：
X：形状数组[n_samples，n_features]生成的样本。
y：每个样本的类成员的整数标签[n_samples, ]。
2 Sklearn数据库
引用
from sklearn.datasets import * |
|---|
Sklearn自带数据如下
数据集 | 函数 | 介绍 |
|---|---|---|
鸢尾花数据集 | load_iris() | 用于分类任务的数据集 |
手写数字数据集 | load_digits() | 用于分类任务或者降维任务的数据集 |
乳腺癌数据集 | load_breast_cancer() | 简单经典的用于二分类任务的数据集 |
糖尿病数据集 | load_diabetes() | 经典的用于回归认为的数据集 |
波士顿房价数据集 | load_boston() | 经典的用于回归任务的数据集 |
体能训练数据集 | load_linnerud() | 经典的用于多变量回归任务的数据集 |
红酒数据集 | load_wine() | 经典的用于多变量回归任务的数据集 |
两个月亮集 | make_moons() | 二分类数据集，像两个月亮一样(太极) |
函数 | 介绍 |
|---|---|
fetch_olivetti_faces() | 脸部图片数据集 |
fetch_20newsgroups() | 用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了大约20,000左右的新闻组文档，均匀分为20个不同主题的新闻组集合。返回一个可以被文本特征提取器。向量化后的数据fetch_20newsgroups_vectorized()，返回一个已提取特征的文本序列，即不需要使用特征提取器 |
fetch_lfw_people() | 打好标签的人脸数据集 |
fetch_lfw_pairs() | 该任务称为人脸验证：给定一对两张图片，二分类器必须预测这两个图片是否来自同一个人 |
fetch_covtype() | 森林植被类型，总计581012个样本，每个样本由54个维度表示(12个属性，其中2个分别是onehot4维和onehot40维)，以及target表示植被类型1-7，所有属性值均为number，详情可调用fetch_covtype()['DESCR']了解每个属性的具体含义 |
fetch_rcv1() | 路透社新闻语料数据集 |
fetch_kddcup99() | KDD竞赛在1999年举行时采用的数据集，KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础，包含41项特征 |
fetch_california_housing() | 加利福尼亚的房价数据，总计20640个样本，每个样本8个属性表示，以及房价作为target，所有属性值均为number，详情可调用fetch_california_housing()['DESCR']了解每个属性的具体含义 |
fetch_species_distributions() | 物种分布数据集 |
在这些数据里面，以下数据是经常被用到的：
l鸢尾花数据集：load_iris()，用于分类任务的数据集；
n类别：3。
n每类样品：50。
n样本数：150。
n维度：4。
n特征：实数, 正数。
n通过load_iris().DESCR获得详细内容。
l红酒数据集：load_wine()，经典的用于多变量回归任务的数据集；
n类别：3。
n每类样品：[59,71,48]。
n样本数：178。
n维度：13。
n特征：实数,正数。
nload_wine ().DESCR获得详细内容。
l乳腺癌数据集：load_breast_cancer()，简单经典的用于二分类任务的数据集；
n类别：2。
n每类样品：212(M),357(B)。
n样本数：569。
n维度：30。
n特征：实数,正数。
nload_breast_cancer ().DESCR获得详细内容。
l糖尿病数据集：load_diabetes()，经典的用于回归认为的数据集；
n样本总数：442。
n维度：10。
n特征：实数-.2 < x < .2。
n目标：整数25 – 346。
nload_diabetes ().DESCR获得详细内容。
l波士顿房价数据集：load_boston()，经典的用于回归任务的数据集；
n样本总数：506。
n维度：13。
n特征：实数,正数。
n目标：real 5. - 50. 。
nload_boston().DESCR获得详细内容。
l两个月亮集：make_moons()，二分类数据集，像两个月亮一样(太极)。
腾讯云开发者
