sklearn datasets模块学习

sklearn.datasets模块主要提供了一些导入、在线下载及本地生成数据集的方法，可以通过dir或help命令查看，我们会发现主要有三种形式：load_<dataset_name>、fetch_<dataset_name>及make_<dataset_name>的方法

① datasets.load_<dataset_name>：sklearn包自带的小数据集

In [2]: datasets.load_*?
datasets.load_boston#波士顿房价数据集
datasets.load_breast_cancer#乳腺癌数据集
datasets.load_diabetes#糖尿病数据集
datasets.load_digits#手写体数字数据集
datasets.load_files
datasets.load_iris#鸢尾花数据集
datasets.load_lfw_pairs
datasets.load_lfw_people
datasets.load_linnerud#体能训练数据集
datasets.load_mlcomp
datasets.load_sample_image
datasets.load_sample_images
datasets.load_svmlight_file
datasets.load_svmlight_files

数据集文件在sklearn安装目录下datasetsdata文件下

②datasets.fetch_<dataset_name>：比较大的数据集，主要用于测试解决实际问题，支持在线下载

In [3]: datasets.fetch_*?
datasets.fetch_20newsgroups
datasets.fetch_20newsgroups_vectorized
datasets.fetch_california_housing
datasets.fetch_covtype
datasets.fetch_kddcup99
datasets.fetch_lfw_pairs
datasets.fetch_lfw_people
datasets.fetch_mldata
datasets.fetch_olivetti_faces
datasets.fetch_rcv1
datasets.fetch_species_distributions

下载下来的数据，默认保存在~/scikit_learn_data文件夹下，可以通过设置环境变量SCIKIT_LEARN_DATA修改路径，datasets.get_data_home()获取下载路径

In [5]: datasets.get_data_home()
Out[5]: 'G:\datasets'

③datasets.make_*?：构造数据集

In [4]: datasets.make_*?
datasets.make_biclusters
datasets.make_blobs
datasets.make_checkerboard
datasets.make_circles
datasets.make_classification
datasets.make_friedman1
datasets.make_friedman2
datasets.make_friedman3
datasets.make_gaussian_quantiles
datasets.make_hastie_10_2
datasets.make_low_rank_matrix
datasets.make_moons
datasets.make_multilabel_classification
datasets.make_regression
datasets.make_s_curve
datasets.make_sparse_coded_signal
datasets.make_sparse_spd_matrix
datasets.make_sparse_uncorrelated
datasets.make_spd_matrix
datasets.make_swiss_roll

下面以make_regression()函数为例，首先看看函数语法：

make_regression(n_samples=100, n_features=100, n_informative=10, n_targets=1, bias=0.0, effective_rank=None, tail_strength=0.5, noise=0.0, shuffle=True, coef=False, random_state=None)

参数说明：

n_samples：样本数

n_features：特征数(自变量个数)

n_informative：相关特征(相关自变量个数)即参与了建模型的特征数

n_targets：因变量个数

bias：偏差(截距)

coef：是否输出coef标识

In [7]: data = datasets.make_regression(5,3,2,2,1.0,coef=True)
   ...: data
   ...:
Out[7]:
(array([[-0.64470031,  2.24028402, -2.26147027],
        [-0.09554589,  1.4653344 , -0.8882202 ],
        [-1.36214673,  0.08935031,  0.66733545],
        [-1.30553824,  1.62553382,  0.65693763],
        [-0.81528358,  0.81659886,  1.32412053]]),
 array([[ 177.32114822,  -42.34640341],
        [ 127.51997766,   -1.98105497],
        [ -37.82547178, -104.69214796],
        [ 100.19123506,  -95.62163254],
        [  45.35860387,  -59.94143654]]),
 array([[ 34.3135368 ,  77.79161196],
        [ 88.57943632,   3.03795085],
        [  0.        ,   0.        ]]))

上述输出结果：元组中的三个数组分别对应输入数据X，输出数据y，coef对应数组