Scikit-learn内置的数据集

数据集是我们学习和研究机器学习不可或缺的基础，Scikit-learn库内置了丰富的数据集资源，非常适合初学者用来练习和验证机器学习算法的效果。

一、鸢尾花数据集

鸢尾花数据集（Iris Dataset）是机器学习领域中最著名的数据集之一，常被用于分类问题的演示和算法的测试。

数据集概览：

• 样本数量：150个样本

• 特征数量：4个特征，花瓣长度（Sepal Length）、花瓣宽度（Sepal Width）、花萼长度（Petal Length）、花萼宽度（Petal Width）

• 标签数量：3个标签类别，鸢尾草（Iris Setosa）、蝴蝶花（Iris Versicolour）、维吉尼亚鸢尾（Iris Virginica）

数据集的应用：

• 作为机器学习入门教学的实例数据集。

• 测试分类算法的性能，如K近邻（KNN）、支持向量机（SVM）、决策树、随机森林等。

• 进行数据可视化和降维的练习，例如使用散点图矩阵展示特征之间的关系，或使用PCA（主成分分析）进行数据降维。

在Scikit-learn中加载鸢尾花数据集的代码如下：

from sklearn.datasets import load_iris
 
# 加载鸢尾花数据集
iris = load_iris()
 
# 查看特征名称
print("特征名称:", iris.feature_names)
 
# 查看类别名称
print("标签名称:", iris.target_names)
 
# 显示数据集的形状
print("\n特征集形状:", iris.data.shape)
 
# 显示目标数据的形状
print("标签集形状:", iris.target.shape)
 
# 查看数据特征
print("\n前几个特征数据:\n", iris.data[:5])
 
# 查看目标标签
print("前几个标签数据:\n", iris.target[:5])

• 输出结果：

二、手写数字数据集

手写数字数据集（Digits Dataset）是一个在机器学习和计算机视觉领域中非常流行的数据集，特别是在进行数字识别任务时。这个数据集包含了1797个8x8像素的灰度手写数字图像，每个图像都是一个介于0到9之间的数字。

数据集概览：

• 样本数量：1797个样本。

• 图像大小：8x8像素。

• 标签数量：10个（0到9的每个数字）。

• 颜色空间：灰度图像，即每个像素点只有一个灰度值。

数据集的应用：

• 分类任务：手写数字数据集通常用于监督学习中的分类任务，特别是多类分类。

• 数据可视化：由于图像大小较小，可以用于展示数据的分布和形态。

• 模型训练和测试：用于训练和测试不同的图像识别和分类算法。

在Scikit-learn中加载手写数字数据集的代码如下：

from sklearn.datasets import load_digits
 
# 加载手写数字数据集
digits = load_digits()
 
# 获取特征数据和目标数据
X_digits = digits.data
y_digits = digits.target
 
# 特征数据是8x8的像素值数组
# 目标数据是对应的数字标签，从0到9
 
# 显示特征名称
print("特征名称:", digits.feature_names)
 
# 显示目标名称
print("标签名称:", digits.target_names)
 
# 显示数据集的形状
print("\n特征数据形状:", X_digits.shape)
 
# 显示目标数据的形状
print("标签数据形状:", y_digits.shape)
 
print("\n前几个样本图像:")
 
# 显示前几个图像
import matplotlib.pyplot as plt
 
fig, axes = plt.subplots(1, 10, figsize=(10, 3))
for i, ax in enumerate(axes):
    ax.imshow(X_digits[i].reshape(8, 8), cmap=plt.cm.binary, interpolation='nearest')
    ax.text(0.5, 0.5, str(y_digits[i]), color='red', fontweight='bold',
            verticalalignment='center', horizontalalignment='center')
    ax.axis('off')
plt.show()

• 输出结果：

三、葡萄酒数据集

葡萄酒数据集（Wine Dataset）是另一个在机器学习中常用的数据集，特别是在进行分类任务时。这个数据集最初由意大利伊斯普拉的C.N.R.研究所的Forina等人收集，用于化学和生物指标的分析。

数据集概览：

• 样本数量：178个样本。

• 特征数量：13个化学指标，包括酒精含量、苹果酸含量、柠檬酸含量、残留糖量、氯化物含量、游离硫、总硫、硫酸盐、密度、pH值和色度等。

• 标签数量：3个葡萄酒类别，基于葡萄酒的类型或品种。

数据集的应用：

• 分类任务：葡萄酒数据集通常用于分类任务，特别是多类分类问题。

• 模型训练和测试：用于训练和测试不同的分类算法，如决策树、随机森林、支持向量机等。

在Scikit-learn中加载葡萄酒数据集的代码如下：

from sklearn.datasets import load_wine
 
# 加载葡萄酒数据集
wine = load_wine()
 
# 获取特征数据和目标数据
X_wine = wine.data
y_wine = wine.target
 
# 显示特征名称
print("特征名称:", wine.feature_names)
 
# 显示目标名称
print("标签名称:", wine.target_names)
 
# 显示数据集的形状
print("\n特征数据形状:", X_wine.shape)
 
# 显示目标数据的形状
print("标签数据形状:", y_wine.shape)
 
# 显示前几个样本的数据和标签
print("\n前几个样本的特征数据:\n", X_wine[:5])
print("对应的标签数据:\n", y_wine[:5])

• 输出结果：

四、乳腺癌数据集

乳腺癌数据集（Breast Cancer Dataset）是一个重要的医学数据集，用于通过计算机辅助诊断来提高乳腺癌的诊断率。

数据集概览：

• 样本数量：569个样本，其中良性样本357个，恶性样本212个。

• 特征数量：30个数值型特征，这些特征描述了乳腺肿瘤的不同测量值，如肿瘤的半径、纹理、周长、面积、平滑度、紧密度、凹陷度、凹陷点数、对称性以及分形维数等 。

• 标签数量：2个标签，代表肿瘤的良性（benign）或恶性（malignant）状态，通常用"M"和"B"表示，其中"M"代表恶性，"B"代表良性 。

数据集的应用：

• 该数据集被用来训练和测试不同的机器学习模型，如LDA和XGBoost算法，以构建乳腺癌预测模型 。

在Scikit-learn中加载乳腺癌数据集的代码如下：

from sklearn.datasets import load_breast_cancer
 
# 加载乳腺癌数据集
breast_cancer = load_breast_cancer()
 
# 查看特征名称
print("特征名称:", breast_cancer.feature_names)
 
# 查看目标名称
print("标签名称:", breast_cancer.target_names)
 
# 查看数据集的形状
print("\n特征数据形状:", breast_cancer.data.shape)
 
# 查看标签数据的形状
print("标签数据形状:", breast_cancer.target.shape)
 
# 显示前几个样本的数据和标签
print("\n前几个样本的特征数据:\n", breast_cancer.data[:5])
print("对应的目标标签（房价中位数）:\n", breast_cancer.target[:5])

• 输出结果：

五、加州房价数据集

加州房价数据集（California Housing Dataset）是一个基于1990年加州人口普查数据构建的回归数据集。

数据集概览：

• 样本数量：20,640个样本。

• 特征数量：9个特征值，分别为经度（longitude）、纬度（latitude）、住房中位年龄（housing_median_age）、房间总数（total_rooms）、卧室总数（total_bedrooms，存在一些缺失值）、人口数（population）、家庭数（households）、收入中位数（median_income）和海洋接近度（ocean_proximity，一个分类特征）。

• 标签类别：房价中位数（median_house_value），以100,000美元为单位。

数据集的应用：

• 通常用于回归任务，预测房屋价格。

在Scikit-learn中加载葡萄酒数据集的代码如下：

from sklearn.datasets import fetch_california_housing
 
# 加载加州房价数据集
california_housing = fetch_california_housing()
 
# 显示特征名称
print("特征名称:", california_housing.feature_names)
 
# 显示目标变量名称
print("标签名称:", california_housing.target_names)
 
# 显示数据集的形状
print("\n特征数据形状:", california_housing.data.shape)
 
# 显示目标数据的形状
print("标签数据形状:", california_housing.target.shape)
 
# 显示前几个样本的数据和标签
print("\n前几个样本的特征数据:\n", california_housing.data[:5])
print("对应的目标标签（房价中位数）:\n", california_housing.target[:5])

• 输出结果：

总结

Scikit-learn内置的各种数据集为你的数据分析和机器学习项目提供强大支持。赶快动手尝试Scikit-learn内置数据集，开启你的机器学习之旅吧！