sklearn dataset 模块学习

sklearn.datasets官网：http://scikit-learn.org/stable/datasets/

sklearn.datasets 模块主要提供一些导入、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，会发现主要有三种形式：load_<dataset_name>、fetch_<dataset_name> 及 make_<dataset_name> 的方法

sklearn 的数据集有好多个种

• 自带的小数据集（packaged dataset）：sklearn.datasets.load_<name>
• 可在线下载的数据集（Downloaded Dataset）：sklearn.datasets.fetch_<name>
• 计算机生成的数据集（Generated Dataset）：sklearn.datasets.make_<name>
• svmlight/libsvm格式的数据集：sklearn.datasets.load_svmlight_file(...)
• 从买了data.org在线下载获取的数据集：sklearn.datasets.fetch_mldata(...)

1. dataset.load_<dataset_name>：sklearn包自带的小数据集

数据集文件在 sklearn 安装目录下 datasets\data 文件下

2. datasets.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

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

3. datasets.make_*?：构造数据集

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

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。