首页分享 K

K

来源：花匠小妙招时间：2024-11-03 13:32

1 案例：鸢尾花种类预测

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。关于数据集的具体介绍：

鸢尾花种类预测

2 scikit-learn中数据集介绍

2.1 scikit-learn数据集API介绍 sklearn.datasets 加载获取流行数据集datasets.load_*() 获取小规模数据集，数据包含在datasets里datasets.fetch_*(data_home=None) 获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录,默认是 ~/scikit_learn_data/

2.1.1 sklearn小数据集

sklearn.datasets.load_iris()

加载并返回鸢尾花数据集

2.1.2 sklearn大数据集

sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’) subset：'train'或者'test'，'all'，可选，选择要加载的数据集。训练集的“训练”，测试集的“测试”，两者的“全部” 2.2 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：特征数据数组，是 [n_samples * n_features] 的二维 numpy.ndarray 数组target：标签数组，是 n_samples 的一维 numpy.ndarray 数组DESCR：数据描述feature_names：特征名,新闻数据，手写数字、回归数据集没有target_names：标签名

from sklearn.datasets import load_iris

iris = load_iris()

print("鸢尾花数据集的返回值：n", iris)

print("鸢尾花的特征值:n", iris["data"])

print("鸢尾花的目标值：n", iris.target)

print("鸢尾花特征的名字：n", iris.feature_names)

print("鸢尾花目标值的名字：n", iris.target_names)

print("鸢尾花的描述：n", iris.DESCR)

2.3 查看数据分布

通过创建一些图，以查看不同类别是如何通过特征来区分的。在理想情况下，标签类将由一个或多个特征对完美分隔。在现实世界中，这种理想情况很少会发生。

seaborn介绍

Seaborn 是基于 Matplotlib 核心库进行了更高级的 API 封装，可以让你轻松地画出更漂亮的图形。而 Seaborn 的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。安装 pip3 install seaborn

seaborn.lmplot() 是一个非常有用的方法，它会在绘制二维散点图时，自动完成回归拟合

sns.lmplot() 里的 x, y 分别代表横纵坐标的列名,data= 是关联到数据集,hue=*代表按照 species即花的类别分类显示,fit_reg=是否进行线性拟合。参考链接: api链接

from sklearn.datasets import load_iris

iris = load_iris()

import seaborn as sns

import matplotlib.pyplot as plt

import pandas as pd

iris_d = pd.DataFrame(iris['data'], columns=['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'])

iris_d['Species'] = iris.target

def plot_iris(iris, col1, col2):

sns.lmplot(x=col1, y=col2, data=iris, hue="Species", fit_reg=False)

plt.xlabel(col1)

plt.ylabel(col2)

plt.title('鸢尾花种类分布图')

plt.show()

plot_iris(iris_d, 'Petal_Width', 'Sepal_Length')

2.4 数据集的划分

机器学习一般的数据集会划分为两个部分：

训练数据：用于训练，构建模型测试数据：在模型检验时使用，用于评估模型是否有效

划分比例：

训练集：70% 80% 75%测试集：30% 20% 25%

数据集划分api

sklearn.model_selection.train_test_split(arrays, *options) x 数据集的特征值y 数据集的标签值test_size 测试集的大小，一般为floatrandom_state 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。return 测试集特征训练集特征值值，训练标签，测试标签(默认随机取)

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

iris = load_iris()

x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

print("x_train:n", x_train.shape)

x_train1, x_test1, y_train1, y_test1 = train_test_split(iris.data, iris.target, random_state=6)

x_train2, x_test2, y_train2, y_test2 = train_test_split(iris.data, iris.target, random_state=6)

print("如果随机数种子不一致：n", x_train == x_train1)

print("如果随机数种子一致：n", x_train1 == x_train2)