2．3．1 一些样本数据集 -Python机器学习基础教程(上)

当前位置:　首页>> 技术小册>> Python机器学习基础教程(上)

2.3.1 一些样本数据集

在Python机器学习的世界里，数据是驱动模型训练与评估的核心。选择合适的样本数据集对于初学者来说尤为重要，它不仅能帮助理解机器学习算法的工作原理，还能通过实践加深理论知识。本节将介绍几种经典且广泛使用的样本数据集，这些数据集覆盖了分类、回归、聚类等多种学习任务，是入门Python机器学习的宝贵资源。

2.3.1.1 鸢尾花（Iris）数据集

概述：
鸢尾花（Iris）数据集是机器学习和统计学领域最著名的数据集之一，首次出现在Ronald Fisher的1936年论文中。该数据集包含了150个样本，每个样本都有4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度，单位：厘米）和1个目标变量（花的种类），共三种不同的鸢尾花：Setosa、Versicolour和Virginica。

用途：
鸢尾花数据集常用于分类问题的演示，是初学者学习分类算法（如决策树、K近邻、逻辑回归、支持向量机等）的首选数据集。由于其特征简单且类别分明，非常适合用来理解模型训练与评估的基本流程。

在Python中的加载：
鸢尾花数据集可以通过scikit-learn库轻松加载，scikit-learn是Python中广泛使用的机器学习库。

from sklearn.datasets import load_iris
# 加载数据
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 目标变量
# 查看数据形状
print(X.shape)  # (150, 4)
print(y.shape)  # (150,)

2.3.1.2 波士顿房价（Boston Housing）数据集

概述：
波士顿房价数据集是一个经典的回归数据集，用于预测波士顿地区房屋的中位数价格。数据集包含506个样本，每个样本有13个特征（如房间数、犯罪率、一氧化氮浓度等），以及一个目标变量（房屋的中位数价格，单位：千美元）。

用途：
该数据集是回归问题研究的理想选择，常用于评估回归模型的性能，如线性回归、决策树回归、随机森林回归等。通过学习如何预测房价，可以深入理解回归模型如何根据特征值预测连续型目标变量的值。

在Python中的加载：
波士顿房价数据集同样可以通过scikit-learn库加载。

from sklearn.datasets import load_boston
# 注意：在scikit-learn的新版本中，load_boston() 可能已被弃用或替换为其他函数
# 这里以旧版本为例，新版本中可能需要从sklearn.datasets.california_housing_fetch_california_housing()替代
# 假设使用旧版本或找到替代方法
boston = load_boston()
X = boston.data
y = boston.target
# 查看数据形状
print(X.shape)  # (506, 13)
print(y.shape)  # (506,)

2.3.1.3 手写数字（MNIST）数据集

概述：
MNIST数据集包含了大量的手写数字图片，通常用于训练和测试图像处理系统中的图像识别技术。它由0到9的数字组成，每个数字都被标准化为28x28像素的灰度图像，并存储在二维数组中。整个数据集分为训练集（60,000个样本）和测试集（10,000个样本）。

用途：
MNIST数据集是深度学习入门的经典案例，特别是用于训练神经网络进行图像分类。通过构建并训练一个简单的神经网络来识别手写数字，可以深刻理解神经网络的前向传播、反向传播、参数更新等核心概念。

在Python中的加载：
虽然scikit-learn库本身不直接提供MNIST数据集，但可以通过Keras库（一个高层神经网络API，运行在TensorFlow之上）或其他库如sklearn.datasets.fetch_openml（需指定数据集名称）来加载。

from keras.datasets import mnist
# 加载数据
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# 查看数据形状
print(train_images.shape)  # (60000, 28, 28)
print(train_labels.shape)  # (60000,)
print(test_images.shape)   # (10000, 28, 28)
print(test_labels.shape)   # (10000,)

2.3.1.4 乳腺癌诊断（Breast Cancer Wisconsin）数据集

概述：
乳腺癌诊断数据集来源于威斯康星大学医院，用于预测乳腺癌是恶性还是良性。该数据集包含569个样本，每个样本有30个实数值特征，这些特征是通过图像分析从细针抽吸（FNA）的数字化图像中计算得出的，并有一个目标变量（诊断结果，0表示良性，1表示恶性）。

用途：
该数据集适用于二分类问题的研究，常用于评估分类算法的性能，如逻辑回归、随机森林、梯度提升树等。通过学习如何根据乳腺肿块的特征预测其良恶性，可以了解二分类问题的处理流程及模型评估方法。

在Python中的加载：
乳腺癌诊断数据集可以通过scikit-learn库加载。

from sklearn.datasets import load_breast_cancer
# 加载数据
cancer = load_breast_cancer()
X = cancer.data
y = cancer.target
# 查看数据形状
print(X.shape)  # (569, 30)
print(y.shape)  # (569,)