DataSet in Machine Learning

一、UCI

　Wine dataset：https://archive.ics.uci.edu/ml/datasets/Wine，包含178个样本，每个样本包含13个与酒的化学特性的特征，标签有1,2,3，代表意大利不同地区生长的三种类型的葡萄

　Breast Cancer Wisconsin dataset：https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)，包含569个样本，每个样本是良性或者恶性癌细胞，M代表恶性，B代表良性，并且每个样本还有30个特征，可以用来构建模型预测样本是恶性还是良性。

import pandas as pd
df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wdbc.data', header=None)

from sklearn.preprocessing import LabelEncoder
X = df.loc[:, 2:].values
y = df.loc[:, 1].values
le = LabelEncoder()
y = le.fit_transform(y)

le.transform(['M', 'B'])
'''
array([1, 0])
'''

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=1)

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline

pipe_lr = Pipeline([ ('scl', StandardScaler()), ('pca', PCA(n_components=2)) , ('clf', LogisticRegression(random_state=1))])
pipe_lr.fit(X_train, y_train)
print('Test Accuracy: %.3f' % pipe_lr.score(X_test, y_test))
#Test Accuracy: 0.947

二、MNIST数据集

　MNIST是NIST数据集的一个子集，包含60000张图片作为训练数据，10000张作为测试数据，其中每张图片代表0~9中的一个数字，图片大小为28*28。并且数字会出现在图片正中间。为了清楚的表示，用下面的14*14矩阵表示了。

　http://yann.lecun.com/exdb/mnist有详细的介绍，共提供了4个下载文件：训练数据图片，训练数据答案，测试数据图片，测试数据答案。