Scikit-learn内置数据集入门指南

1. 简介

Scikit-learn（简称sklearn）是Python中一个强大的机器学习库，它内置了多个经典的小型数据集。这些数据集非常适合新手入门，无需从外部文件加载，可以直接用于学习和实验。本章将介绍如何加载这些数据集，并解析它们的基本结构。

2. 经典小数据集介绍

Scikit-learn提供了多个内置数据集，以下是四个最常用的经典数据集：

• 鸢尾花数据集（Iris）：用于分类问题，包含150个样本，每个样本有4个特征（如花萼和花瓣的长度、宽度），目标分为3个类别（山鸢尾、变色鸢尾、维吉尼亚鸢尾）。这是最常用的入门数据集之一。
• 波士顿房价数据集（Boston Housing）：用于回归问题，包含506个样本，有13个特征（如犯罪率、房间数等），目标是预测房屋价格。但请注意：从Scikit-learn 1.2版本开始，由于伦理问题，这个数据集被移除了，旧版本仍可使用，新手建议使用其他数据集替代。
• 手写数字数据集（Digits）：用于多分类问题，包含1797个手写数字图像样本，每个图像为8x8像素（64个特征），目标是识别0到9的数字。
• 乳腺癌数据集（Breast Cancer）：用于二分类问题，包含569个样本，有30个特征（如肿瘤特性），目标是预测肿瘤为良性或恶性。

这些数据集覆盖了分类、回归和图像识别等常见机器学习任务，非常适合练习。

3. 数据集加载方法

Scikit-learn提供了方便的load_*()函数来加载这些数据集。您只需从sklearn.datasets模块导入相应函数即可。以下是加载示例：

from sklearn import datasets

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 加载波士顿房价数据集（旧版本可用，新版本已移除）
# boston = datasets.load_boston()  # 注意：在Scikit-learn 1.2+中可能引发警告或错误

# 加载手写数字数据集
digits = datasets.load_digits()

# 加载乳腺癌数据集
cancer = datasets.load_breast_cancer()

注意：对于波士顿房价数据集，由于伦理问题（数据集包含潜在偏见），Scikit-learn 1.2版本后已将其移除。如果您使用新版本，可以忽略这部分或从其他来源（如Kaggle）获取类似数据。新手建议先专注于其他数据集。

4. 数据集结构解析

加载后的数据集是一个类似字典的Bunch对象，包含以下几个关键部分，新手可以轻松理解和访问：

• data：这是一个NumPy数组，存储特征数据。形状通常是(n_samples, n_features)，其中n_samples是样本数，n_features是特征数。例如，鸢尾花数据集的data是一个150x4的矩阵。
• feature_names：这是一个列表，包含每个特征的名称。这有助于理解数据含义。例如，鸢尾花数据集的feature_names是['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']。
• target：这是一个NumPy数组，存储目标变量（即标签）。对于分类问题，它是类别索引；对于回归问题，它是连续值。例如，鸢尾花数据集的target是一个包含0、1、2的数组，对应3个类别。
• target_names：这是一个列表，包含目标类别的名称（仅适用于分类问题）。例如，鸢尾花数据集的target_names是['setosa', 'versicolor', 'virginica']。
• DESCR：这是一个字符串，提供数据集的详细描述，包括来源、特征解释等。打印出来可以了解数据集背景。

示例代码：访问数据集结构

以下是一个简单示例，展示如何加载和检查数据集结构：

from sklearn import datasets

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 查看数据集的各个部分
print("数据集形状:", iris.data.shape)  # 输出: (150, 4)
print("特征名称:", iris.feature_names)  # 输出: ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
print("目标数组前几个值:", iris.target[:5])  # 输出类似: [0 0 0 0 0]
print("目标类别名称:", iris.target_names)  # 输出: ['setosa' 'versicolor' 'virginica']
print("数据集描述（前几行）:")
print(iris.DESCR[:500])  # 打印DESCR的前500个字符以查看描述

运行此代码，您将直观地看到数据是如何组织的。例如，对于鸢尾花数据集，data的第一行可能对应一朵花的花萼和花瓣测量值，target的第一行是0，表示它属于'setosa'类别。

5. 总结

通过本章，您学会了如何加载Scikit-learn的内置数据集，并解析其基本结构。这些数据集是机器学习的理想起点，因为它们已经预处理过，且结构清晰。记住：

• 使用load_*()函数轻松加载数据。
• 熟悉data、feature_names、target、target_names和DESCR这五个关键部分，它们将帮助您快速理解和使用数据。
• 对于波士顿房价数据集，注意版本兼容问题，新手可以先用其他数据集练习。

在后续章节中，我们将学习如何用这些数据训练简单的机器学习模型。继续前进，享受学习之旅！