1、自带的数据集

sklearn自动了下面几种数据用于算法练习。

load_boston([return_X_y]) 加载波士顿房价数据；用于回归问题

load_iris([return_X_y]) 加载iris 数据集；用于分类问题

load_diabetes([return_X_y]) 加载糖尿病数据集；用于回归问题

load_digits([n_class, return_X_y]) 加载手写字符集；用于分类问题

load_linnerud([return_X_y]) 加载linnerud 数据集；用于多元回归问题

波士顿房价数据，回归使用。样本数据集的特征默认是一个(506, 13)大小的矩阵，样本值是一个包含506个数值的向量。

#房价数据

from sklearn.datasets importload_bostonfrom sklearn importlinear_model

boston=load_boston()

data=boston.data

target=boston.targetprint(data.shape)print(target.shape)print('系数矩阵:\n',linear_model.LinearRegression().fit(data,target).coef_)

iris花卉数据，分类使用。样本数据集的特征默认是一个(150, 4)大小的矩阵，样本值是一个包含150个类标号的向量，包含三种分类标号。

#花卉数据

from sklearn.datasets importload_irisfrom sklearn importsvm

iris=load_iris()

data=iris.data

target=iris.targetprint(data.shape)print(target.shape)print('svm模型:\n',svm.SVC().fit(data,target))

糖尿病数据集，回归使用。样本数据集的特征默认是一个(442, 10)大小的矩阵，样本值是一个包含442个数值的向量。

#糖尿病数据集

from sklearn.datasets importload_diabetesfrom sklearn importlinear_model

diabetes=load_diabetes()

data=diabetes.data

target=diabetes.targetprint(data.shape)print(target.shape)print('系数矩阵:\n',linear_model.LinearRegression().fit(data,target).coef_)

手写体数据，分类使用。每个手写体数据使用8*8的矩阵存放。样本数据为(1797, 64)大小的数据集。

## ===========手写体数据===========

from sklearn.datasets importload_digitsimport matplotlib.pyplot as plt #画图工具

digits =load_digits()

data=digits.dataprint(data.shape)

plt.matshow(digits.images[3]) #矩阵像素点的样式显示3#plt.imshow(digits.images[3]) # 图片渐变的样式显示3#plt.gray() # 图片显示为灰度模式

plt.show()

linnerud数据集，多元回归使用。样本数据集的特征默认是一个(20, 3)大小的矩阵，样本值也是(20, 3)大小的矩阵。也就是3种特征，有3个输出结果，所以系数矩阵w为(3, 3)

## ===========多元回归===========

from sklearn.datasets importload_linnerudfrom sklearn importlinear_model

linnerud=load_linnerud()

data=linnerud.data

target=linnerud.targetprint(data.shape)print(target.shape)print('系数矩阵:\n',linear_model.LinearRegression().fit(data,target).coef_)

2、加载图像

#图像样本数据集

from sklearn.datasets importload_sample_imageimport matplotlib.pyplot as plt #画图工具

img=load_sample_image('flower.jpg') #加载sk自带的花朵图案

plt.imshow(img)

plt.show()

3、生成自定义分类数据集

sklearn.datasets.make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2,

n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None,

flip_y=0.01, class_sep=1.0, hypercube=True,shift=0.0, scale=1.0,

shuffle=True, random_state=None)

通常用于分类算法。

n_features :特征个数= n_informative + n_redundant + n_repeated

n_informative：多信息特征的个数

n_redundant：冗余信息，informative特征的随机线性组合

n_repeated ：重复信息，随机提取n_informative和n_redundant 特征

n_classes：分类类别

n_clusters_per_class ：某一个类别是由几个cluster构成的

## ===========生成分类样本数据集===========

from sklearn importdatasetsimport matplotlib.pyplot as plt #画图工具

data,target=datasets.make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0,n_repeated=0, n_classes=2, n_clusters_per_class=1)print(data.shape)print(target.shape)

plt.scatter(data[:,0],data[:,1],c=target)

plt.show()

这里生成的数据集图如下，由于每次生成的数据都不一样，所以读者看到的图片和这里也不一样的

4、生成其它分类样本的函数

make_blobs函数会根据用户指定的特征数量、中心点数量、范围等来生成几类数据，这些数据可用于测试聚类算法的效果。

sklearn.datasets.make_blobs(n_samples=100, n_features=2, centers=3, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None)

其中：

n_samples是待生成的样本的总数。

n_features是每个样本的特征数。

centers表示类别数。

cluster_std表示每个类别的方差，例如我们希望生成2类数据，其中一类比另一类具有更大的方差，可以将cluster_std设置为[1.0,3.0]。

make_gaussian_quantiles函数利用高斯分位点区分不同数据

sklearn.datasets.make_hastie_10_2(n_samples=12000, random_state=None)

make_hastie_10_2函数利用Hastie算法，生成2分类数据

下面我们通过代码的比较一下这些样本数据的生成。

importmatplotlib.pyplot as pltfrom sklearn.datasets importmake_classificationfrom sklearn.datasets importmake_blobsfrom sklearn.datasets importmake_gaussian_quantilesfrom sklearn.datasets importmake_hastie_10_2

plt.figure(figsize=(10, 10))

plt.subplots_adjust(bottom=.05, top=.9, left=.05, right=.95)

plt.subplot(421)

plt.title("One informative feature, one cluster per class", fontsize='small')

X1, Y1= make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=1,n_clusters_per_class=1)

plt.scatter(X1[:, 0], X1[:,1], marker='o', c=Y1)

plt.subplot(422)

plt.title("Two informative features, one cluster per class", fontsize='small')

X1, Y1= make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2,n_clusters_per_class=1)

plt.scatter(X1[:, 0], X1[:,1], marker='o', c=Y1)

plt.subplot(423)

plt.title("Two informative features, two clusters per class", fontsize='small')

X2, Y2= make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2)

plt.scatter(X2[:, 0], X2[:,1], marker='o', c=Y2)

plt.subplot(424)

plt.title("Multi-class, two informative features, one cluster",fontsize='small')

X1, Y1= make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2,n_clusters_per_class=1, n_classes=3)

plt.scatter(X1[:, 0], X1[:,1], marker='o', c=Y1)

plt.subplot(425)

plt.title("Three blobs", fontsize='small')#1000个样本，2个属性，3种类别，方差分别为1.0,3.0,2.0

X1, Y1 = make_blobs(n_samples=1000, n_features=2, centers=3,cluster_std=[1.0,3.0,2.0])

plt.scatter(X1[:, 0], X1[:,1], marker='o', c=Y1)

plt.subplot(426)

plt.title("Gaussian divided into four quantiles", fontsize='small')

X1, Y1= make_gaussian_quantiles(n_samples=1000, n_features=2, n_classes=4)

plt.scatter(X1[:, 0], X1[:,1], marker='o', c=Y1)

plt.subplot(427)

plt.title("hastie data", fontsize='small')

X1, Y1= make_hastie_10_2(n_samples=1000)

plt.scatter(X1[:, 0], X1[:,1], marker='o', c=Y1)

plt.show()

5、自定义生成圆形和月型数据

生成圆形数据

klearn.datasets.make_circles(n_samples=100, shuffle=True, noise=None, random_state=None, factor=0.8)

factor ：外圈与内圈的尺度因子<1

生成半环形数据

sklearn.datasets.make_moons(n_samples=100, shuffle=True, noise=None, random_state=None)

from sklearn.datasets importmake_circlesfrom sklearn.datasets importmake_moonsimportmatplotlib.pyplot as plt

fig= plt.figure(1)

x1, y1= make_circles(n_samples=1000, factor=0.5, noise=0.1)

plt.subplot(121)

plt.title('make_circles function example')

plt.scatter(x1[:, 0], x1[:,1], marker='o', c=y1)

plt.subplot(122)

x1, y1= make_moons(n_samples=1000, noise=0.1)

plt.title('make_moons function example')

plt.scatter(x1[:, 0], x1[:,1], marker='o', c=y1)

plt.show()