标签:load labels 定义数据 make scikit 集和自 用于 数据 sklearn
API通用方法
类型 | 获取方式 |
---|---|
自带的小数据集 | sklearn.datasets.load_ |
在线下载的数据集 | sklearn.datasets.fetch_ |
计算机生成的数据集 | sklearn.datasets.make_ |
load系列
- 鸢尾花数据集: load_iris() 可用于分类 和 聚类
- 乳腺癌数据集: load_breast_cancer() 可用于分类
- 手写数字数据集: load_digits() 可用于分类
- 糖尿病数据集: load_diabetes() 可用于分类
- 波士顿房价数据集: load_boston() 可用于回归
- 体能训练数据集: load_linnerud() 可用于回归
- 图像数据集: load_sample_image(name)
make系列
- make_blobs 可用于聚类和分类
- make_classification 可用于分类
- make_circles 可用于分类
- make_moons 可用于分类
- make_multilabel_classification 可用于多标签分类
- make_regression 可用于回归
例子
# 生成数据 make_blobs
# 导入相关的库
import pandas as pd
import numpy as np
%matplotlib inline
import matplotlib
from sklearn.datasets.samples_generator import make_blobs
# 设置参数 center:聚类中心
# cluster_std:聚类标准差
center=[[1,1],[-1,-1],[1,-1]]
cluster_std=0.3
# 生成样本
X,labels=make_blobs(n_samples=200,centers=center,n_features=2,
cluster_std=cluster_std,random_state = 0)
print('X.shape',X.shape)
print("labels",set(labels))
#np.c_:两矩阵左右相加
df = pd.DataFrame(np.c_[X,labels],columns = ['feature1','feature2','labels'])
#mycolormap = matplotlib.colors.ListedColormap(['red','cyan','magenta'], N=3)
#matplotlib常用colormap:'jet','rainbow','hsv'
df.plot.scatter('feature1','feature2', s = 100,
c = list(df['labels']),cmap = 'rainbow',colorbar = False,
alpha = 0.8,title = 'dataset by make_blobs')
更多的情况可查阅官方文档 Introduction · sklearn 中文文档 (apachecn.org)
标签:load,labels,定义数据,make,scikit,集和自,用于,数据,sklearn 来源: https://www.cnblogs.com/xiaoyunbowen/p/15312438.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。