使用scikit-learn构建数据集

欢迎关注”生信修炼手册”!

数据是机器学习的必备条件，输入数据的质量高低，是影响机器学习模型效果的决定性因素条件之一。对于机器学习的学习者而言，拥有一个数据集来练手是第一步。在scikit-learn中，提供了多种构建数据的方法

1. 简单数据集

在机器学习领域，有很多常用的数据集，在scikit-learn中，内置了这些常用数据集，通过对应的函数可以直接加载，对于回归算法而言，常用数据集的加载函数如下

1. load_boston()

2. load_diabetes()

3. load_linnerud()

对于分类算法而言，常用数据集的加载函数如下

1. load_iris()

2. load_digits()

3. load_wine()

4. load_breast_cancer()

以load_iris为例，具体的用法如下

返回结果是一个类似字典的结构，data对应输入矩阵，每一行表示一个样本，每一列表示一个特征，target表示的是输入矩阵中的样本对应的标签。

也可以修改参数，分别返回data和taret两个数据，用法示意如下

2. 真实数据集

这里的真实数据集也是经典的数据集之一，只不过数据量较大，所以没有内置在模块中，采用了从网络上下载的方式，对于回归算法而言，有以下加载函数

1. fetch_california_housing()

对于分类算法而言，有以下加载函数

1. fetch_olivetti_faces()

2. fetch_20newsgroups()

3. fetch_20newsgroups_vectorized()

4. fetch_lfw_people()

5. fetch_lfw_pairs()

6. fetch_covtype()

7. fetch_rcv1()

8. fetch_kddcup99()

具体用法示例如下

3. 模拟数据集

scikit-learn模块内置了许多随机函数来生成对应的模拟数据集，make_blobs可以生成符合正态分布的数据，用于聚类，用法如下

返回值是一个元组，第一个元素是输入矩阵，第二个元素是标签矩阵，对其数据进行可视化

输出结果如下

除了该函数之外，还有一系列创建聚类数据集的函数，用法如下

针对分类算法，则采用make_classification函数，用法如下

针对回归算法，则采用make_regression函数，用法如下

4. 其他数据集

针对openml.org这一开源的机器学习网站，提供了下载其数据集的函数，用法如下

对于没有数据集练手的初学者而言，这个数据集的构建功能真的是及时雨，可以让我们更加专注于下游数据处理，模型搭建和验证的学习中去。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。