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

1. In [2]: datasets.load_*?
2. datasets.load_boston#波士顿房价数据集
3. datasets.load_breast_cancer#乳腺癌数据集
4. datasets.load_diabetes#糖尿病数据集
5. datasets.load_digits#手写体数字数据集
6. datasets.load_files
7. datasets.load_iris#鸢尾花数据集
8. datasets.load_lfw_pairs
9. datasets.load_lfw_people
10. datasets.load_linnerud#体能训练数据集
11. datasets.load_mlcomp
12. datasets.load_sample_image
13. datasets.load_sample_images
14. datasets.load_svmlight_file
15. datasets.load_svmlight_files

数据集文件在sklearn安装目录下datasets\data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

1. In [3]: datasets.fetch_*?
2. datasets.fetch_20newsgroups
3. datasets.fetch_20newsgroups_vectorized
4. datasets.fetch_california_housing
5. datasets.fetch_covtype
6. datasets.fetch_kddcup99
7. datasets.fetch_lfw_pairs
8. datasets.fetch_lfw_people
9. datasets.fetch_mldata
10. datasets.fetch_olivetti_faces
11. datasets.fetch_rcv1
12. 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

1. In [5]: datasets.get_data_home()
2. Out[5]: ‘G:\\datasets’

③datasets.make_*?：构造数据集

1. In [4]: datasets.make_*?
2. datasets.make_biclusters
3. datasets.make_blobs
4. datasets.make_checkerboard
5. datasets.make_circles
6. datasets.make_classification
7. datasets.make_friedman1
8. datasets.make_friedman2
9. datasets.make_friedman3
10. datasets.make_gaussian_quantiles
11. datasets.make_hastie_10_2
12. datasets.make_low_rank_matrix
13. datasets.make_moons
14. datasets.make_multilabel_classification
15. datasets.make_regression
16. datasets.make_s_curve
17. datasets.make_sparse_coded_signal
18. datasets.make_sparse_spd_matrix
19. datasets.make_sparse_uncorrelated
20. datasets.make_spd_matrix
21. 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

1. In [7]: data = datasets.make_regression(5,3,2,2,1.0,coef=True)
2. …: data
3. …:
4. Out[7]:
5. (array([[-0.64470031,  2.24028402, -2.26147027],
6. [-0.09554589,  1.4653344 , -0.8882202 ],
7. [-1.36214673,  0.08935031,  0.66733545],
8. [-1.30553824,  1.62553382,  0.65693763],
9. [-0.81528358,  0.81659886,  1.32412053]]),
10. array([[ 177.32114822,  -42.34640341],
11. [ 127.51997766,   -1.98105497],
12. [ -37.82547178, -104.69214796],
13. [ 100.19123506,  -95.62163254],
14. [  45.35860387,  -59.94143654]]),
15. array([[ 34.3135368 ,  77.79161196],
16. [ 88.57943632,   3.03795085],
17. [  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