Scikit-learn应用指南：数据的表示与可视化
课程简介
机器学习算法是一种在数据上进行分析，进而得出规律，并利用规律来对未知数据进行预测的算法。但是现实生活中的大多数数据并不能直接用于训练机器学习算法，我们需要将数据重新表示成机器学习系统能够理解的形式。本节将主要介绍如何将数据表示成可用于算法学习的形式，同时，也将介绍如何可视化数据集，以便我们了解数据集的情况。
学习目标
了解如何表示数据集
了解如何可视化数据集
了解 scikit-learn 中的数据集
了解鸢尾花数据集
了解其它数据集的获取
了解数字数据集
1. scikit-learn 中的数据
除了极少数特例，scikit-learn 中的数据都被假设为一个形状如 [n_samples, n_features] 的二维数组。许多算法也可传入相同形状的 scipy.sparse 矩阵。
n_samples： 样本的数量: 每个样本都是一个要处理（例如：分类）的对象。样本可以是文件，图片，声音，视频，天文物体，数据库或 CSV 文件中的 一行，也可以是其它任何你能用一组确定的数量特征集合来描述的对象。
n_features： 特征或特质的数量，特征或特质可以用来以定量的方式描述每个对象。特征通常是实值的，但是在某些情况下也可能是布尔值或离散值。
特征的数量必须预先确定。然而，对于给定的样本其维度可能非常高（例如：数百万个特征），且其中大部分是 "0" ，这时 scipy.sparse 稀疏矩阵就变得十分有用，因为它比 NumPy 数组存储效率更高。
正如我们上一节所回顾的，我们将样本（数据点或实例）表示为数组中的行，并将对应的特征（也就是 "维度" ）表示为列。
一个简单的例子：鸢尾花数据集
我们先了解一下 scikit-learn 中存储的鸢尾花数据集。该数据集由三种不同鸢尾花种类的测量结果组成，三种不同的鸢尾花如下图所示：
山鸢尾花（Iris Setosa）
变色鸢尾花（Iris Versicolor）
维吉尼亚鸢尾花（Iris Virginica）
一个小提问：
假设我们对于新观测数据的分类更感兴趣; 想要预测未知的花种是山鸢尾花、变色鸢尾花还是维吉尼亚鸢尾花。在上部分讨论的内容的基础上，我们要如何构建这样的一个数据集呢？
记住: 我们需要一个 [n_samples x n_features] 维度的二维数组。
n_samples 表示什么呢？
n_features 表示什么呢？
请记住，每个样本都必须有一个确定值的特征数，并且特征数 j 对每个样本来说必须是相同的数值。
使用 Scikit-learn 加载鸢尾花数据集
为了接下来用机器学习算法进行实验，建议您将 http://archive.ics.uci.edu/ml/index.php 添加为书签，这个库容纳了许多常用的数据集，这些数据集可用于机器学习算法的基准测试 -- 对机器学习实践者和研究人员来说是非常欢迎的资源。为了方便使用，这些数据集中的一部分已经包含在 scikit-learn 中，这样我们就可以跳过下载，阅读，解析和清理文本/CSV文件这几个单调乏味的步骤。您可以在 scikit-learn 官网中找到可用的数据集列表：http://scikit-learn.org/stable/datasets/#toy-datasets 。
例如：scikit-learn 在鸢尾花种类上有一组非常简单的数据集。数据集包含以下内容：
鸢尾花数据集中的特征：
萼片长度（cm）
萼片宽度（cm）
花瓣长度（cm）
花瓣宽度（cm）
需要预测的目标分类：
山鸢尾花
变色鸢尾花
维吉尼亚鸢尾花
- 发表于:
- 原文链接：http://kuaibao.qq.com/s/20180323B07YV800?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
