勇闯机器学习（第二关-数据集使用）

以下内容，皆为原创，重在无私分享高质量知识，制作实属不易，请点点关注。
好戏开场了~~~(这关涉及到了加载数据集的代码，下一关，教你们安装机器学习库)

一.数据集

• 这一关的目标
  
  
  
  • 知道数据集被分为训练集和测试集
    
  • 会使用sklearn的数据集                                                      
    
  
  

   1.可用数据集 

        scikit-learn网址：scikit-learn: machine learning in Python — scikit-learn 1.5.1 documentation
        UCI网址：UCI Machine Learning Repository
        Kaggle网址：Bohrium

• scikit-learn        数据量小，方便学习
  
  
  
  • UCI            收录360个数据集，覆盖科技、生存、经济等领域，数据量几十万。
    
  • Kaggle       大数据竞赛平台，真实数据，数据量巨大         
    
  
  

 如以下图所示，这个就是UCI机器学习的网站和scikit-learn机器学习的网站。

二.使用sclearn数据集

        1.scikit-learn数据集API介绍

1. # 用sklearn中的datasets方法(sklearn.datasets)
2.     1.加载获取流行数据集
3.     2.datasets.load_*()
4.             获取小规模数据集，数据包含在datasets中
5.     3.datasets。fetch_*(data_home=None)
6.             获取大规模数据集，需要从网上下载，
7.             函数第一个参数是data_home，表示数据集下载的目录。你可以自己定义位置。C盘D盘都行

复制代码

         2.sklearn小数据集

          加载并返回鸢尾花数据集。当然还有一个常见的波士顿房价数据集，但是

1. `load_boston` has been removed from scikit-learn since version 1.2.这个是我在加载波士顿房价数据集，出现的报错，所以要注意好自己的版本。

复制代码

1. import sklearn
2. from sklearn.datasets import load_iris
4. # Load the iris dataset
5. print(sklearn.datasets.load_iris())

复制代码

      这个就是我在jupyter notebook里，打印出来鸢尾花的数据集。

鸢尾花数据集  名称数目类别 3
特性4样本数目150每个类别数目5 3.sklearn大数据集  

        加载大数据集，我们就要用fetch_*，用于加载大数据集。谁人*指的是加载的数据集的名称。
       3.1 sklearn数据集返回值介绍

                load和fetch返回的数据类型datasets.base.Bunch(字典格式)

• data:特性数据数组
  
• target：目标数组（标签数组）
  
• DESCR：数据形貌
  
• feature_names：特性名
  
• target_names:目标名（标署名）                
  

1. from sklearn.datasets import load_iris
2. # 将加载的数据集传给iris变量
3. iris = load_iris()
4. print("鸢尾花的数据集:\n", iris)
5. print("查看鸢尾花的特征值:\n", iris["data"])
6. print("查看鸢尾花的目标值:\n", iris.target)
7. print("查看鸢尾花特征的名字:\n", iris.feature_names)
8. print("查看鸢尾花目标值的名字:\n", iris.target_names)
9. print("查看数据集描述:\n", iris["DESCR"])

复制代码

                字典的元素是键值对的情势，以是获取值的方式有两种:

1. dict['key'] = value
2. bunch.key = value

复制代码

三.训练模型

        思索：要不要用全部数据来训练一个模型？？
        内心独白：肯定不可啊，你要一部分来进行模型评估啊，看你的模型好不好。
        以是数据集，分为训练集（用于训练，构建模型）和测试集（在模型核验时，用于评估模型是否有效）。
        划分的标准（上下组合）：
                        1.训练数据：70%        80%        75%
                        2.测试数据：30%        20%        30%
        我们渴望训练的模型好一点，以是让训练集多一点。

1. # 导入加载鸢尾花数据集的方法
2. from sklearn.datasets import load_iris
3. # 导入划分数据集的方法
4. from sklearn.model_selection import train_test_split
6. # 加载鸢尾花数据
7. iris = load_iris()
9. # 有了加载数据，才能划分数据集
10. # 这四个分别对应后面方法的四个返回值（训练集的特征值，测试集的特征值，训练集的目标值， 测试集的目标值）
11. x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
12. print("训练集的特征值", x_train, x_train.shape)

复制代码

四.懵笔时刻

        在划分数据集时，那四个变量为什么这么命名？
                不错，问得好。举个例子，在数学中，我们都是有X值去求Y值，那么Y就是我们的目标值。以是X就是数据集的特性值，Y就是数据集的目标值。后面方法里的参数test_size是测试集的大小，一般为float类型（20%，0.2,以此类推）。random_state是随机数种子，差异的种子造成差异的随机采样效果，类似的种子采样效果类似。
        为什么要用四个变量，而不是三个或者五个变量？

        

        因为谁人方法就是返回的四个值啊，我能有什么办法！！what can I say？！！
        return 训练集的特性值，测试集的特性值。训练集的目标值，测试集的目标值。
五.谢谢大家的观看，后续持续分享高质量内容~~~~ 


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

继续阅读请点击广告