【Python】sklearn.datasets使用（数据集、常用函数、示例代码）

sklearn.datasets 使用指南

在机器学习中，数据集是算法学习和评估的重要基础。而 sklearn.datasets 是 Python 的 scikit-learn 库中一个非常实用的模块，提供了一系列用于生成和加载数据集的函数。本文将对 sklearn.datasets 的数据集、常用函数，以及示例代码进行详细说明，以帮助初学者更好地利用这一模块进行机器学习任务。

一、数据集

sklearn.datasets 模块主要包含三类数据集：

1. 内置数据集：这些数据集预先定义在 scikit-learn 中，用户可以直接加载和使用。

2. 例如：load_iris()、load_wine()、load_digits() 等。

3. 生成数据集：这些是可以通过随机数生成的合成数据集，适用于测试和验证模型。

4. 例如：make_classification()、make_regression()、make_blobs() 等。

5. 下载数据集：从外部来源下载数据集，通常用于较大型的真实世界数据集。

6. 例如：fetch_20newsgroups()、fetch_openml() 等。

二、常用函数

以下是一些常用的数据集加载函数的介绍：

• load_iris(): 加载著名的鸢尾花数据集，包含 150 个样本和 4 个特征。
• load_wine(): 加载酒类数据集，包含 178 个样本和 13 个特征。
• load_digits(): 加载手写数字数据集，包含 1797 个样本和 64 个特征 (8x8 像素的灰度图)。
• make_classification(): 生成用于分类的随机数据集。
• make_blobs(): 生成均匀分布的聚类数据点。
• fetch_20newsgroups(): 下载和加载 20 个新闻组的数据。

三、示例代码

下面是几个具体的示例代码，演示如何使用 sklearn.datasets 中的数据集。

1. 加载鸢尾花数据集并进行简单可视化:

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
import pandas as pd

# 加载数据集
iris = load_iris()
iris_data = pd.DataFrame(data=iris.data, columns=iris.feature_names)
iris_data['target'] = iris.target

# 绘制散点图
plt.figure(figsize=(10, 6))
plt.scatter(iris_data[iris_data['target'] == 0]['sepal length (cm)'],
            iris_data[iris_data['target'] == 0]['sepal width (cm)'], color='red', label='Setosa')
plt.scatter(iris_data[iris_data['target'] == 1]['sepal length (cm)'],
            iris_data[iris_data['target'] == 1]['sepal width (cm)'], color='green', label='Versicolor')
plt.scatter(iris_data[iris_data['target'] == 2]['sepal length (cm)'],
            iris_data[iris_data['target'] == 2]['sepal width (cm)'], color='blue', label='Virginica')
plt.title('Iris Dataset')
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.legend()
plt.show()

1. 生成随机分类数据集:

from sklearn.datasets import make_classification
import matplotlib.pyplot as plt

# 生成数据集
X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, random_state=42)

# 绘制散点图
plt.figure(figsize=(8, 6))
plt.scatter(X[y == 0][:, 0], X[y == 0][:, 1], color='red', label='Class 0')
plt.scatter(X[y == 1][:, 0], X[y == 1][:, 1], color='blue', label='Class 1')
plt.title('Random Classification Data')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

四、小结

通过 sklearn.datasets 模块，我们可以快速加载和生成数据集，这对于机器学习的学习和实验非常方便。该模块不仅包含了经典的数据集，还提供了灵活的生成工具，使得用户可以根据需求轻松创建测试数据集。在实际应用中，理解和操作这些数据集的能力，有助于我们更好地进行模型训练和评估。希望本文能帮助你更好地理解和使用 sklearn.datasets。