机器学习数据集哪家强？Sklearn预制的这16个数据集不容错过~

数据是机器学习算法的动力，scikit-learn货sklearn提供了一些高质量的数据集。Scikit-learn（sklearn）是一个建立在SciPy之上的Python机器学习包。其独特之处在于其拥有大量的算法、十分易用以及能够与其他Python库进行整合。

什么是 "Sklearn数据集"？

Sklearn数据集作为scikit-learn（sklearn）库的一部分，是预先安装在库中的。我们可以轻松地访问和加载这些数据集，不需要单独下载它们。

要使用这些其中一个特定的数据集，可以简单地从sklearn.datasets模块中导入，并调用适当的函数将数据加载到程序中。

这些数据集通常都是经过预处理的，可以随时使用，这对于需要试验不同机器学习模型和算法的数据科学家来说，可以节省大量时间和精力。

1. Iris

这个数据集包括150朵鸢尾花的萼片长度、萼片宽度、花瓣长度和花瓣宽度的测量值，这些花属于三个不同的物种：Setosa、versicolor和virginica。鸢尾花数据集有150行和5列，以dataframe的形式存储。

  • Sepal.Length - 表示萼片的长度，单位是厘米。
  • Sepal.Width - 萼片的宽度，单位是厘米。
  • Petal.Length - 表示花瓣的长度（厘米）。
  • Species - 代表鸢尾花的种类，有三个可能的值：setosa、versicolor和virginica。

可以使用sklearn.datasets模块的load_iris函数直接从sklearn加载鸢尾花数据集。

# To install sklearn
pip install scikit-learn

# To import sklearn
from sklearn.datasets import load_iris

# Load the iris dataset
iris = load_iris()

# Print the dataset description
print(iris.describe())
复制代码

这段使用sklearn加载Iris数据集的代码。 于2023年3月27日从scikit-learn.org/stable/modu… 获取

2. Diabetes

这个sklearn数据集包含了442名糖尿病患者的信息，包括个人数据和临床测量值：

  • 年龄
  • 性别
  • 身体质量指数(BMI)
  • 平均血压
  • 六项血清测量（如总胆固醇、低密度脂蛋白（LDL）胆固醇、高密度脂蛋白（HDL）胆固醇）。
  • 糖尿病疾病进展的定量测量（HbA1c）。

糖尿病数据集可以使用sklearn.datasets模块的load_diabetes()函数加载。

from sklearn.datasets import load_diabetes

# Load the diabetes dataset
diabetes = load_diabetes()

# Print some information about the dataset
print(diabetes.describe())
复制代码

上面是使用sklearn加载糖尿病数据集的代码。于2023年3月28日从scikit-learn.org/stable/data… 获取。

3. Digits

这个sklearn数据集是一个从0到9的手写数字的集合，存储为灰度图像。它总共包含1797个样本，每个样本是一个形状为(8,8)的二维阵列。在 Digits 数据集中有64个变量（或特征），对应于每张数字图像的64个像素。

from sklearn.datasets import load_digits

# Load the digits dataset
digits = load_digits()

# Print the features and target data
print(digits.data)
print(digits.target)

复制代码

上面是使用sklearn加载Digits数据集的代码。与2023年3月29日从scikit-learn.org/stable/data… 获取。

 

4. Linnerud

Linnerud数据集包含了20名职业运动员的身体和生理测量数据。

该数据集包括以下变量：

  • 三个身体锻炼变量--引体向上、仰卧起坐和跳远。
  • 三个生理测量变量--脉搏、收缩压和舒张压。

使用sklearn在Python中加载Linnerud数据集：

from sklearn.datasets import load_linnerud
linnerud = load_linnerud()
复制代码

上面这段使用sklearn加载linnerud数据集的代码。于2023年3月27日从scikit-learn.org/stable/modu… 获取。

5. Wine

这个sklearn数据集包含了对生长在意大利特定地区的葡萄酒进行化学分析的结果。 数据集中的一些变量：

  • Alcohol
  • Malic acid
  • Ash
  • Alkalinity of ash
  • Magnesium
  • Total phenols
  • Flavanoids

都是专业名词。我就不翻译了~ 需要用这个数据集的人应该比我更懂。

葡萄酒数据集可以使用sklearn.datasets模块的load_wine()函数加载。

from sklearn.datasets import load_wine

# Load the Wine dataset
wine_data = load_wine()

# Access the features and targets of the dataset
X = wine_data.data  # Features
y = wine_data.target  # Targets

# Access the feature names and target names of the dataset
feature_names = wine_data.feature_names
target_names = wine_data.target_names
复制代码

上面这段使用sklearn加载葡萄酒质量数据集的代码。于2023年3月28日从scikit-learn.org/stable/data… 获取。

6. Breast Cancer Wisconsin Dataset

这个sklearn数据集由乳腺癌肿瘤的信息组成，最初由William H. Wolberg博士创建。创建该数据集是为了帮助研究人员和机器学习从业者将肿瘤分类为恶性（癌症）或良性（非癌症）。

这个数据集包含的变量：

  • ID number
  • Diagnosis (M = malignant, B = benign).
  • Radius (the mean of distances from the centre to points on the perimeter).
  • Texture (the standard deviation of gray-scale values).
  • Perimeter
  • Area
  • Smoothness (the local variation in radius lengths).
  • Compactness (the perimeter^2 / area - 1.0).
  • Concavity (the severity of concave portions of the contour).
  • Concave points (the number of concave portions of the contour).
  • Symmetry
  • Fractal dimension ("coastline approximation" - 1).

你可以使用sklearn.datasets模块的load_breast_cancer函数直接从sklearn加载乳腺癌肿瘤的数据集。

from sklearn.datasets import load_breast_cancer

# Load the Breast Cancer Wisconsin dataset
cancer = load_breast_cancer()

# Print the dataset description
print(cancer.describe())
复制代码

上面这段是使用sklearn加载Breast Cancer Wisconsin Dataset的代码。于2023年3月28日从scikit-learn.org/stable/modu… 获取。

7. Boston Housing

波士顿住房数据集包含了马萨诸塞州波士顿地区的住房信息。它有大约506行和14列的数据。

数据集中的一些变量包括：

  • CRIM - 各镇的人均犯罪率。
  • INDUS - 每个城镇的非零售商业用地比例。
  • CHAS - 查尔斯河虚拟变量（=1，如果区块与河流相连；否则为0）。
  • NOX - 一氧化氮的浓度（每1000万份）。
  • RM - 每个住宅的平均房间数。
  • AGE - 1940年以前建造的自建房的比例。
  • DIS - 到波士顿五个就业中心的加权距离。
  • RAD - 辐射状高速公路的可达性指数。
  • TAX - 每10,000美元的财产税全额税率。
  • PTRATIO - 各镇的学生-教师比率。
  • B - 1000(Bk - 0.63)^2，其中-Bk是各镇黑人的比例。
  • LSTAT - 人口中地位较低的百分比。
  • MEDV - 业主自住房屋的中位价值，单位为1000美元。

可以使用sklearn.datasets模块的load_boston函数直接从scikit-learn加载波士顿住房数据集。

from sklearn.datasets import load_boston

# Load the Boston Housing dataset
boston = load_boston()

# Print the dataset description
print(boston.describe())
复制代码

以上是使用sklearn加载波士顿住房数据集的代码。于2023年3月29日从scikit-learn.org/0.15/module… 获取。

 

8. Olivetti Faces

奥利维蒂人脸数据集是1992年4月至1994年4月期间在AT&T实验室拍摄的人脸灰度图像的集合。它包含10个人的400张图像，每个人有40张在不同角度和不同光线条件下拍摄的图像。

你可以通过使用数据集模块中的fetch_olivetti_faces函数在sklearn中加载Olivetti脸部数据集。

from sklearn.datasets import fetch_olivetti_faces

# Load the dataset
faces = fetch_olivetti_faces()

# Get the data and target labels
X = faces.data
y = faces.target
复制代码

这是使用sklearn加载Olivetti Faces数据集的代码。于2023年3月29日从scikit-learn.org/stable/modu… 获取。

9. California Housing

这个sklearn数据集包含了关于房屋价值中位数的信息，以及加利福尼亚的人口普查区的属性。它还包括20,640个实例和8个特征。

数据集中的一些变量：

  • MedInc--街区的收入中位数。
  • HouseAge - 街区内房屋的中位年龄。
  • AveRooms - 每个家庭的平均房间数。
  • AveBedrms - 每个家庭的平均卧室数量。
  • Population - 街区的人口。
  • AveOccup--家庭平均占用率。
  • Latitude - 街区的纬度，以十进制为单位。
  • Longitude - 街区的经度，以小数点后的度数表示。

你可以使用sklearn的fetch_california_housing函数来加载加州住房数据集。

from sklearn.datasets import fetch_california_housing

# Load the dataset
california_housing = fetch_california_housing()

# Get the features and target variable
X = california_housing.data
y = california_housing.target 
复制代码

使用sklearn加载加州住房数据集的代码。于2023年3月29日从scikit-learn.org/stable/modu… 获取。

 

10. MNIST

MNIST数据集在机器学习和计算机视觉领域很受欢迎并被广泛使用。它由70,000张手写数字0-9的灰度图像组成，其中60,000张用于训练，10,000张用于测试。每张图像的大小为28x28像素，并有一个相应的标签，表示它所代表的数字。

你可以使用以下代码从sklearn加载MNIST数据集：

from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784')
复制代码

注意：MNIST数据集是Digits数据集的一个子集。

上面是使用sklearn加载MNIST数据集的代码。于2023年3月30日从scikit-learn.org/stable/modu… 获取。

11. Fashion-MNIST

Fashion-MNIST 数据集是由Zalando Research创建的，作为原始MNIST数据集的替代。Fashion-MNIST数据集由70,000张灰度图像组成（训练集60,000张，测试集10,000张），都是服装相关的内容。

这些图像大小为28x28像素，代表了10个不同类别的服装，包括T恤/上衣、长裤、套头衫、连衣裙、大衣、凉鞋、衬衫、运动鞋、包和踝靴。它类似于原始的MNIST数据集，但由于服装类别的复杂性和种类更多，分类任务更具挑战性。

你可以使用fetch_openml函数加载这个sklearn数据集。

from sklearn.datasets import fetch_openml

fmnist = fetch_openml(name='Fashion-MNIST')
复制代码

使用sklearn加载Fashion-MNIST数据集的代码。取自 scikit-learn.org/stable/modu…

Generated Sklearn数据集

Generated Sklearn数据集是合成数据集，使用Python的sklearn库生成。它们被用于测试、基准测试和开发机器学习算法/模型。

12. make_classification

这个函数生成一个随机的n类分类数据集，具有指定数量的样本、特征和信息特征。

下面是一个生成这个sklearn数据集的示例代码，有100个样本、5个特征和3个类：

from sklearn.datasets import make_classification

X, y = make_classification(n_samples=100, n_features=5, n_informative=3, n_classes=3, random_state=42)
复制代码

这段代码生成了一个有100个样本和5个特征的数据集，其中有3个类和3个信息性特征。剩下的特征将是多余的或是数据噪声。

使用sklearn加载make_classification数据集的代码。于2023年3月30日从scikit-learn.org/stable/modu… 获取。

13. make_regression

这个函数生成一个具有指定数量的样本、特征和数据噪音的随机回归数据集。

下面是生成这个sklearn数据集的示例代码，有100个样本，5个特征，数据噪音水平为0.1：

from sklearn.datasets import make_regression

X, y = make_regression(n_samples=100, n_features=5, noise=0.1, random_state=42)
复制代码

这段代码生成了一个有100个样本和5个特征的数据集，噪声水平为0.1。目标变量y将是一个连续变量。

使用sklearn加载make_regression数据集的代码。于2023年3月30日从scikit-learn.org/stable/modu… 获取。

14. make_blobs

这个函数生成一个具有指定数量的样本和聚类的随机数据集。

下面是一个生成具有100个样本和3个聚类的sklearn数据集的示例代码：

from sklearn.datasets import make_blobs
X, y = make_blobs(n_samples=100, centers=3, random_state=42)
复制代码

这段代码生成了一个有100个样本和2个特征（x和y坐标）的数据集，有3个以随机位置为中心的聚类，并且没有噪音数据。

上面是使用sklearn加载make_blobs数据集的代码。于2023年3月30日从scikit-learn.org/stable/modu… 获取。

15. make_moons and make_circles

这些函数生成具有非线性边界的数据集，对测试非线性分类算法很有用。

下面是一个加载make_moons数据集的示例代码：

from sklearn.datasets import make_moons

X, y = make_moons(n_samples=1000, noise=0.2, random_state=42)
复制代码

这段代码生成了一个有1000个样本和2个特征（x和y坐标）的数据集，两类之间有一个非线性的边界，并且在数据中加入了0.2个标准差的高斯噪声。

使用sklearn加载make_moons数据集的代码。2023年3月30日从scikit-learn.org/stable/modu… 获取

下面是一个生成和加载make_circles数据集的示例代码：

from sklearn.datasets import make_circles

X, y = make_circles(n_samples=1000, noise=0.05, random_state=42)
复制代码

使用sklearn加载make_circles数据集的代码。于2023年3月30日从scikit-learn.org/stable/modu… 获取。

16. make_sparse_coded_signal

这个函数生成了一个稀疏编码信号数据集，对测试压缩感应算法很有用。

下面是一个加载这个sklearn数据集的示例代码：

from sklearn.datasets import make_sparse_coded_signal

X, y, w = make_sparse_coded_signal(n_samples=100, n_components=10, n_features=50, n_nonzero_coefs=3, random_state=42)
复制代码

这段代码生成了一个有100个样本、50个特征和10个原子的稀疏编码信号数据集。

使用sklearn加载make_sparse_coded_signal数据集的代码。2023年3月30日从scikit-learn.org/stable/modu… 获取。

 

这些Sklearn数据集的常见使用场景

  • Iris - 这个Sklearn数据集通常用于分类任务，并被用作测试分类算法的基准数据集。

  • Diabetes - 这个数据集包含糖尿病患者的医疗信息，用于医疗分析中的分类和回归任务。

  • Digits - 这个sklearn数据集包含手写数字的图像，通常用于图像分类和模式识别任务。

  • Linnerud - 这个数据集包含20名运动员的体能和医疗数据，通常用于多变量回归分析。

  • Wine - 这个sklearn数据集包含葡萄酒的化学分析，通常用于分类和聚类任务。

  • Breast Cancer Wisconsin - 这个数据集包含乳腺癌患者的医疗信息，通常用于医疗分析中的分类任务。

  • Boston Housing - 这个sklearn数据集包含关于波士顿住房的信息，通常用于回归任务。

  • Olivetti Faces - 该数据集包含人脸的灰度图像，通常用于图像分类和面部识别任务。

  • California Housing - 这个sklearn数据集包含关于加州住房的信息，通常用于回归任务。

  • MNIST - 这个数据集包含手写数字的图像，通常用于图像分类和模式识别任务。

  • Fashion-MNIST - 这个sklearn数据集包含服装项目的图像，通常用于图像分类和模式识别任务。

  • make_classification - 这个数据集是一个随机生成的数据集，用于二进制和多类别分类任务。

  • make_regression - 这个数据集是一个随机生成的数据集，用于回归任务。

  • make_blobs - 这个sklearn数据集是一个随机生成的数据集，用于聚类任务。

  • make_moons 和 make_circles - 这些数据集是为分类任务随机生成的数据集，通常用于测试非线性分类器。

  • make_sparse_coded_signal - 这个数据集是一个随机生成的数据集，用于信号处理中的稀疏编码任务。