成都网络优化网站,常见的门户网站有哪些,8小8x在线免费观看2021,电商关键字优化数据的获取
1.库与模块#xff1a;
import sklearnfrom sklearn import datasets
2.数据集获取的API及解释
对于sklearn的数据获取#xff0c;主要分为两大部分#xff0c;分别是“小数据集的获取——load_xxx”和“大数据集的获取fetch_xxx”
a.datasets.load_xxx(): …数据的获取
1.库与模块
import sklearnfrom sklearn import datasets
2.数据集获取的API及解释
对于sklearn的数据获取主要分为两大部分分别是“小数据集的获取——load_xxx”和“大数据集的获取fetch_xxx”
a.datasets.load_xxx(): load_xxx:这些数据集通常加载到内存中适合快速实验和模型验证 常见的有 load_iris()加载经典的鸢尾花Iris数据集。load_digits()加载手写数字数据集。load_wine()加载葡萄酒分类数据集。load_breast_cancer()加载乳腺癌分类数据集。load_diabetes()加载糖尿病回归数据集。load_linnerud()加载 Linnerud 数据集多输出回归。 b.datasets.fetch_xxx() fetch_xxx:从网络下载数据集适用于较大规模的真实世界数据集 常见的有 fetch_20newsgroups()加载20类新闻组数据集用于文本分类任务。fetch_olivetti_faces()加载 Olivetti 人脸数据集用于图像处理任务。fetch_lfw_people()加载 LFWLabelled Faces in the Wild人脸识别数据集。fetch_lfw_pairs()加载 LFW 人脸对数据集用于人脸匹配。fetch_covtype()加载 Covertype 数据集用于分类问题。fetch_rcv1()加载 RCV1Reuters Corpus Volume I数据集 3.数据集的属性
import sklearn
from sklearn import datasets
datadatasets.load_iris()1.数据集的具体数据/本质上也是特征值
data[data] 2.数据集的特征名
data.feature_names3.数据集的目标名称/标签名称
data.target_names4.数据集的目标值/标签值
data.target5.数据集的总体描述
data.DESCR数据的可视化
1.库与模块
import seaborn as sns
#seaborn是对matplotlib的更高级api的封装2.可视化的API及解释——lmplot sns.lmplot(x , y , data ,hue , fit_regTrue/False....) 参数说明 x/y... 是指定画图时的x坐标是啥y是啥这里不是将其命名而是指出以什么参数为x、y轴 ;一般是某一个“属性”,即特征 ························································································································ data 这里指定数据并且数据一定要是DataFrame结构 这里就涉及到将load_或者fetch获得的数据结构进行变化 Data_loadpd.DataFrame(data[data],columnsdata.feature_names)·························································································································· hue :这里是指按照什么进行分类, data【“data”】获取的数据一般是这样的 一般我们把它再加一列就是将每个样本的目标值即标签加入进去 Data_load[target]data.target 所以这里的hue一般这样写 hueData_load.target或者[target] ·························································································································· fit_regT/F:是否进行线性拟合 整体代码 # 将数据用seaborn库进行可视化
data_1pd.DataFrame(datadataSet1[data],columnsdataSet1.feature_names)
data_1[target]dataSet1.target
print(data_1)
print(data_1.columns[0])
sns.lmplot(xdata_1.columns[0], ydata_1.columns[1], datadata_1, huetarget)
plt.xlabel(cols1)
plt.ylabel(cols2)
plt.title(鸢尾花)
plt.show() 结果 注意图的相关显示的属性如x坐标名称y坐标名称图的题目等是同matplotlib那个一样都是 “plt.xxx” 最后的展示也是“plt.show()” 整体代码 import matplotlib.pyplot as plt
import pandas as pd
import sklearn
import seaborn as sns
from sklearn import datasets
import numpy as np
plt.rcParams[font.family] [SimHei]
plt.rcParams[axes.unicode_minus] FalsedataSet1 datasets.load_iris()
print(鸢尾花数据集如下)
print(dataSet1)
print(鸢尾花的属性)
print(特征数据数组)
print(dataSet1[data])
print(标签值)
print(dataSet1.target)
print(标签名)
print(dataSet1.target_names)
print(特征名)
print(dataSet1.feature_names)
print(数据描述)
print(dataSet1.DESCR)# 将数据用seaborn库进行可视化
data_1pd.DataFrame(datadataSet1[data],columnsdataSet1.feature_names)
data_1[target]dataSet1.target
print(data_1)
print(data_1.columns[0])
sns.lmplot(xdata_1.columns[0], ydata_1.columns[1], datadata_1, huetarget)
plt.xlabel(cols1)
plt.ylabel(cols2)
plt.title(鸢尾花)
plt.show() 结果截取部分片段
