【scikit-learn基础】--『数据加载』之玩具数据集

机器学习的第一步是准备数据，好的数据能帮助我们加深对机器学习算法的理解。

不管是在学习还是实际工作中，准备数据永远是一个枯燥乏味的步骤。
scikit-learn库显然看到了这个痛点，才在它的数据加载子模块中为我们准备了直接可用的数据集。

在它的数据加载子模块中，提供了6种直接可用来学习算法的经典数据集，被称为 Toy Datasets，
也就是本篇准备介绍的玩具数据集。

1. 鸢尾花数据集

著名的鸢尾花数据集，最初由R.A.费舍尔爵士使用。
数据集取自费舍尔的论文。

1.1. 加载方式

from sklearn.datasets import load_iris

# 加载后的数据集 ds 是一个字典
ds = load_iris()
ds

直接的返回的字典中，除了数据还包含一些描述数据的元信息。
如果想要直接得到用于分析的数据，加载时设置如下的参数：

# as_frame 参数将数据部分设为pandas的Dataframe格式
# return_X_y 参数表示返回 (data, target) 格式
ds = load_iris(as_frame=True, return_X_y=True)

ds[0]  # Dataframe格式的数据

1.2. 数据概况

鸢尾花数据集是一个简单的多级分类数据集。

概况	说明
样本分类	3种
每种分类样本数	50
样本总数	150
样本维度	4
样本特征	real, positive 两种

1.3. 用途

这个数据集可作为下列机器学习算法的测试数据：

• 分类算法：例如，逻辑回归、朴素贝叶斯、决策树、支持向量机、神经网络等。
• 回归算法：例如，线性回归、决策树、支持向量回归等。
• 聚类算法：例如，K-Means、层次聚类等。

2. 糖尿病数据集

这是一个可用于回归任务的糖尿病数据集。

2.1. 加载方式

from sklearn.datasets import load_diabetes

# 与鸢尾花数据集加载相比，多了个 scaled 参数
# scaled=False时，返回特征变量的原始数据
# scaled=True时，则以均值为中心，进行缩放
ds = load_diabetes(as_frame=True, return_X_y=True, scaled=False)
ds[0]

2.2. 数据概况

概况	说明
样本总数	442
样本维度	10
特征	-.2 < x < .2实数
目标	25 - 346 整数

2.3. 用途

这个数据集可作为下列机器学习算法的测试数据：

• 回归算法：例如，线性回归、岭回归、Lasso回归、支持向量回归等。
• 特征选择算法：例如，递归特征消除、L1正则化等。
• 特征降维算法：例如，主成分分析（PCA）、线性判别分析（LDA）等。
• 其他相关算法：例如，模型评估、超参数调优等。

3. 手写数字数据集

这是一个用于多分类任务的数字识别数据集。

3.1. 加载方式

from sklearn.datasets import load_digits

ds = load_digits(as_frame=True, return_X_y=True)
ds[0]

3.2. 数据概况

概况	说明
样本分类	10种
每种分类样本数	约180
样本总数	1797
样本维度	64
样本特征	0~16整数

3.3. 用途

这个数据集可作为下列机器学习算法的测试数据：

• 多分类算法：例如，K-近邻（K-NN）、支持向量机（SVM）、决策树、神经网络等。
• 特征选择算法：例如，递归特征消除、L1正则化等。
• 特征降维算法：例如，主成分分析（PCA）、线性判别分析（LDA）等。
• 其他相关算法：例如，模型评估、超参数调优等。

需要注意的是，由于这个数据集的特征是图像像素值，因此不太适合用于非图像处理的机器学习算法。

4. 林纳鲁德数据集

这是一个用于多变量回归任务的数据集。

4.1. 加载方式

from sklearn.datasets import load_linnerud

ds = load_linnerud(as_frame=True, return_X_y=True)
ds[0]

4.2. 数据概况

概况	说明
样本总数	20
样本维度	3
特征	整数
目标	整数

4.3. 用途

这个数据集可作为下列机器学习算法的测试数据：

• 回归算法：例如，线性回归、岭回归、Lasso回归、支持向量回归等。
• 特征选择算法：例如，递归特征消除、L1正则化等。
• 特征降维算法：例如，主成分分析（PCA）、线性判别分析（LDA）等。
• 其他相关算法：例如，模型评估、超参数调优等。

5. 葡萄酒数据集

这是一个用于分类任务的葡萄酒数据集

5.1. 加载方式

from sklearn.datasets import load_wine

ds = load_wine(as_frame=True, return_X_y=True)
ds[0]

5.2. 数据概况

概况	说明
样本分类	3种
每种分类样本数	3个分类中的样本数分别为：59,71,48
样本总数	178
样本维度	13
样本特征	正的实数

5.3. 用途

这个数据集可作为下列机器学习算法的测试数据：

• 分类算法：例如，逻辑回归、朴素贝叶斯、决策树、支持向量机、神经网络等。
• 特征选择算法：例如，递归特征消除、L1正则化等。
• 特征降维算法：例如，主成分分析（PCA）、线性判别分析（LDA）等。
• 其他相关算法：例如，模型评估、超参数调优等。

6. 威斯康星州乳腺癌数据集

这是一个用于分类任务的乳腺癌数据集。

6.1. 加载方式

from sklearn.datasets import load_breast_cancer

ds = load_breast_cancer(as_frame=True, return_X_y=True)
ds[0]

6.2. 数据概况

概况	说明
样本分类	2种
每种分类样本数	样本数分别为：212,357
样本总数	569
样本维度	30
样本特征	正的实数

6.3. 用途

这个数据集可作为下列机器学习算法的测试数据：

• 分类算法：例如，逻辑回归、朴素贝叶斯、决策树、支持向量机、神经网络等。
• 特征选择算法：例如，递归特征消除、L1正则化等。
• 特征降维算法：例如，主成分分析（PCA）、线性判别分析（LDA）等。
• 其他相关算法：例如，模型评估、超参数调优等。

7. 总结

这些数据集数据量不大，但是数据具有代表性，且种类丰富。
了解每种数据的特点，后续学习算法的时候，可以利用它们来实验和验证算法的使用。