加载内置数据集

在本节课中，我们将介绍数据集的相关内容。数据集是机器学习项目中的关键组成部分，因为它是项目开始的基础。

scikit-learn 库内置了许多数据集，其中一些广为人知并被广泛使用。例如，用于分类任务的 iris（鸢尾花）和 mnist 数据集，以及用于回归任务的 boston 房价数据集。除了这些预定义的数据集外，scikit-learn 还提供了一些可以生成符合特定分布数据的函数。

此外，scikit-learn 还预定义了一些函数，可用于从互联网下载真实世界的数据集，例如 20 newsgroups、LFW 或 KDDcup99 数据集。

所有数据集都位于 datasets 模块中。你可以在 Python 文件开头导入该模块，如下所示：

1import sklearn.datasets as datasets

加载内置数据集

如上所述，scikit-learn 提供了一些内置数据集，例如 iris 数据集。从下面的代码可以看出，你只需要使用 load_iris 函数即可加载数据。

1import sklearn.datasets as datasets
2iris = datasets.load_iris()

数据集是一个类字典对象，包含所有必要的数据和元信息。数据存储在 data 字段中，是一个形状为 n_samples × n_features 的二维数组；标签则存储在 target 字段中。

以下代码展示了如何获取数据的大小和特征名称：

1print("iris data size is {}".format(iris.data.shape))
2print("iris target size is {}".format(iris.target.shape))
3print("iris data has {} features, the feature names are {}".format(iris.data.shape[1], iris.feature_names))
4print("iris data has {} samples, the target label names {}".format(iris.data.shape[1], iris.target_names))

1import sklearn.datasets as datasets
2
3iris = datasets.load_iris()
4print("iris dataset is {}".format(iris.DESCR))
5print("iris data size is {}".format(iris.data.shape))
6print("iris target size is {}".format(iris.target.shape))
7print("iris data has {} features, the feature names are {}".format(
8    iris.data.shape[1], iris.feature_names))
9print("iris data has {} samples, the target label names {}".format(
10    iris.data.shape[1], iris.target_names))

• 内置的 Iris 数据集通过 load_iris() 函数加载。

• 从第 4 行到第 9 行，展示了该数据集的一些重要属性。sklearn 中大多数内置数据集都具有类似的属性。