sklearn数据库-【老鱼学sklearn】

在做机器学习时需要有数据进行训练，幸好sklearn提供了很多已经标注好的数据集供我们进行训练。

本节就来看看sklearn提供了哪些可供训练的数据集。

这些数据位于datasets中，网址为：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets

房价数据

加载波士顿房价数据，可以用于线性回归用：

sklearn.datasets.load_boston：http://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_boston.html#sklearn.datasets.load_boston

加载方式为：

from sklearn.datasets import load_boston
boston = load_boston()
print(boston.data.shape)

这个数据集的shape为：

(506, 13)

也就是506行，13列，这里13列就是影响房价的13个属性，具体是哪些属性可以通过如下代码打印出来：

print(boston.feature_names)

输出为：

['CRIM' 'ZN' 'INDUS' 'CHAS' 'NOX' 'RM' 'AGE' 'DIS' 'RAD' 'TAX' 'PTRATIO'
 'B' 'LSTAT']

具体代表啥意思，要么自己猜，要么上网查吧，我不一一去解释了，我猜几个：RM:room数，也就是户型中的几房，AGE:age(房龄)，不知道猜对不对，大家自己去实践了。

你说我咋知道这个数据集中有feature_names属性，我也不知道，我只是把上面的boston整个打印出来看到其中有这个属性的。

预测房价案例

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
# 加载房价数据
boston = load_boston()
data_X = boston.data
data_y = boston.target

# 拆分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data_X, data_y, test_size=0.3)

# 创建线性回归模型
model = LinearRegression()
# 训练模型
model.fit(X_train, y_train)
# 打印出预测的前5条房价数据
print("预测的前5条房价数据:")
print(model.predict(X_test)[:5])

# 打印出测试集中实际房价前5条数据
print("测试集中实际房价前5条数据:")
print(y_test[:5])

输出：

预测的前5条房价数据:
[ 17.44807408  27.78251433  18.8344117   17.85437188  34.47632703]
测试集中实际房价前5条数据:
[ 14.3  22.3  22.6  20.6  34.9]

以这个结果集中第一条数据为例，我们预测出某房子的价格是17.4万，而实际价格是14.3万。

不过说实话，上面的房价数据只能用于测试算法，我们真要预测房价的话，原始数据的获得没有那么全和规整，因此，在机器学习中，收集数据并清洗也是一个很重要的工作，脏活累活也必须得干，光有算法没啥用。

花的数据前面一个博文已经讲过了，这里就不再重复了。

手写数字识别数据

还有手写数字识别的，这个也很常用：http://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_digits.html#sklearn.datasets.load_digits

创建样本数据

也可以生成一些虚拟的数据，这些是位于官网的API文档中Samples generator一节：

案例源代码为：

from sklearn.datasets import make_regression
import matplotlib.pyplot as plt
# 创建100个样本，1个属性值的数据，输出一个目标值，同时也设置了噪音
X, y = make_regression(n_samples=100, n_features=1, n_targets=1, noise=10)
print(X.shape)
print(y.shape)

# 对X,y画散点图，看看长啥模样的
plt.scatter(X, y)
plt.show()

输出的数据为：

(100, 1)
(100,)

也就是X值中有100行1列，y值是100行的值。

输出的图形为：

看起来接近一条直线。