Python 之Scikit-learn(五) -- Scikit-learn提供的数据集及其详细介绍

目录

[1. 鸢尾花数据集 (Iris Dataset)](#1. 鸢尾花数据集 (Iris Dataset))

[2. 波士顿房价数据集 (Boston Housing Dataset)](#2. 波士顿房价数据集 (Boston Housing Dataset))

[3. 糖尿病数据集 (Diabetes Dataset)](#3. 糖尿病数据集 (Diabetes Dataset))

[4. 手写数字数据集 (Digits Dataset)](#4. 手写数字数据集 (Digits Dataset))

[5. 乳腺癌数据集 (Breast Cancer Dataset)](#5. 乳腺癌数据集 (Breast Cancer Dataset))

获取数据的方法

使用数据集进行机器学习任务


Scikit-learn库中包含了一些内置的标准数据集,这些数据集通常用于学习、测试和验证机器学习算法。以下是一些常见的Scikit-learn内置数据集及其详细介绍,以及如何获取这些数据的方法。

  1. 鸢尾花数据集 (Iris Dataset)
  • 描述:鸢尾花数据集是一个经典的机器学习数据集。它包含150个样本,每个样本有4个特征:花萼长度、花萼宽度、花瓣长度和花瓣宽度。这些样本属于3个不同的鸢尾花种类:Setosa、Versicolor和Virginica。
  • 用途:分类任务,特别是线性分类器和聚类算法的教学和研究。
  • 获取方法
python 复制代码
from sklearn.datasets import load_iris
iris = load_iris()
  1. 波士顿房价数据集 (Boston Housing Dataset)
  • 描述:该数据集包含波士顿地区506个房屋的13个特征,以及这些房屋的中位数房价。特征包括犯罪率、住宅用地比例、非零售商业用地比例、氮氧化物浓度、平均房间数、房龄、距离就业中心的距离、公路通达性、财产税率、师生比例、黑人比例、低收入人群比例等。
  • 用途:回归任务,尤其是线性回归模型的教学和研究。
  • 获取方法
python 复制代码
from sklearn.datasets import load_boston
boston = load_boston()
  1. 糖尿病数据集 (Diabetes Dataset)
  • 描述:糖尿病数据集包含442个样本和10个特征,特征包括年龄、性别、体质指数、血压、六种血清测量值。这些特征用于预测一年后的疾病进展。
  • 用途:回归任务,适用于线性回归模型的测试和验证。
  • 获取方法
python 复制代码
from sklearn.datasets import load_diabetes
diabetes = load_diabetes()
  1. 手写数字数据集 (Digits Dataset)
  • 描述:手写数字数据集包含1797个手写数字样本,每个样本是一个8x8的灰度图像,表示0到9的数字。每个图像有64个特征,每个特征表示像素的灰度值。
  • 用途:分类任务,尤其适合用于图像分类和降维算法的研究。
  • 获取方法
python 复制代码
from sklearn.datasets import load_digits
digits = load_digits()
  1. 乳腺癌数据集 (Breast Cancer Dataset)
  • 描述:乳腺癌数据集包含569个样本和30个特征,这些特征是基于细胞核的测量值。目标是区分良性和恶性肿瘤。
  • 用途:分类任务,广泛用于二分类问题的研究。
  • 获取方法
python 复制代码
from sklearn.datasets import load_breast_cancer
breast_cancer = load_breast_cancer()

获取数据的方法

Scikit-learn提供的内置数据集可以通过sklearn.datasets模块直接加载,这些数据集一般以字典的形式返回。主要包括以下几个键:

  • data:特征数据,通常是一个二维数组。
  • target:目标标签,通常是一维数组。
  • DESCR:数据集的详细描述。
  • feature_names:特征名称。
  • target_names:目标名称(分类任务中)。

下面是如何加载这些数据集的示例:

python 复制代码
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
# 查看数据集描述
print(iris.DESCR)
# 查看特征数据
print(iris.data)
# 查看目标标签
print(iris.target)
# 查看特征名称
print(iris.feature_names)
# 查看目标名称
print(iris.target_names)

使用数据集进行机器学习任务

一旦数据集加载到内存中,可以直接用于训练和评估机器学习模型。例如,使用鸢尾花数据集进行分类任务:

python 复制代码
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")
相关推荐
ACEEE122222 分钟前
Stanford CS336 | Assignment 2 - FlashAttention-v2 Pytorch & Triotn实现
人工智能·pytorch·python·深度学习·机器学习·nlp·transformer
NG WING YIN42 分钟前
Golang關於信件的
开发语言·深度学习·golang
Sunny_yiyi1 小时前
Java根据模版导出PDF文件
java·开发语言·pdf
橘子131 小时前
C++实战:搜索引擎项目(二)
开发语言·c++·搜索引擎
iChochy1 小时前
[开源免费] iGTTS(Gemini TTS) 文本转语音(TTS)的命令行工具。
python·tts·gemini
TwoAI1 小时前
Scikit-learn:从零开始构建你的第一个机器学习模型
python·机器学习·scikit-learn
跟橙姐学代码1 小时前
Python里的“管家婆”:带你玩转os库的所有神操作
前端·python·ipython
倔强青铜三1 小时前
最强Python Web框架到底是谁?
人工智能·python·面试
ZeroNews内网穿透1 小时前
企业远程访问方案选择:何时选内网穿透,何时需要反向代理?
运维·服务器·网络·python·安全
倔强青铜三1 小时前
苦练Python第45天:使用open函数读取文件内容
人工智能·python·面试