Scikit-learn應用指南：數據的表示與可視化

課程簡介

機器學習演算法是一種在數據上進行分析，進而得出規律，並利用規律來對未知數據進行預測的演算法。但是現實生活中的大多數數據並不能直接用於訓練機器學習演算法，我們需要將數據重新表示成機器學習系統能夠理解的形式。本節將主要介紹如何將數據表示成可用於演算法學習的形式，同時，也將介紹如何可視化數據集，以便我們了解數據集的情況。

學習目標

了解如何表示數據集

了解如何可視化數據集

了解 scikit-learn 中的數據集

了解鳶尾花數據集

了解其它數據集的獲取

了解數字數據集

1. scikit-learn 中的數據

除了極少數特例，scikit-learn 中的數據都被假設為一個形狀如 [n_samples, n_features] 的二維數組。許多演算法也可傳入相同形狀的 scipy.sparse 矩陣。

n_samples： 樣本的數量: 每個樣本都是一個要處理（例如：分類）的對象。樣本可以是文件，圖片，聲音，視頻，天文物體，資料庫或 CSV 文件中的 一行，也可以是其它任何你能用一組確定的數量特徵集合來描述的對象。

n_features： 特徵或特質的數量，特徵或特質可以用來以定量的方式描述每個對象。特徵通常是實值的，但是在某些情況下也可能是布爾值或離散值。

特徵的數量必須預先確定。然而，對於給定的樣本其維度可能非常高（例如：數百萬個特徵），且其中大部分是 "0" ，這時 scipy.sparse 稀疏矩陣就變得十分有用，因為它比 NumPy 數組存儲效率更高。

正如我們上一節所回顧的，我們將樣本（數據點或實例）表示為數組中的行，並將對應的特徵（也就是 "維度" ）表示為列。

一個簡單的例子：鳶尾花數據集

我們先了解一下 scikit-learn 中存儲的鳶尾花數據集。該數據集由三種不同鳶尾花種類的測量結果組成，三種不同的鳶尾花如下圖所示：

山鳶尾花（Iris Setosa）

變色鳶尾花（Iris Versicolor）

維吉尼亞鳶尾花（Iris Virginica）

一個小提問：

假設我們對於新觀測數據的分類更感興趣; 想要預測未知的花種是山鳶尾花、變色鳶尾花還是維吉尼亞鳶尾花。在上部分討論的內容的基礎上，我們要如何構建這樣的一個數據集呢？

記住: 我們需要一個 [n_samples x n_features] 維度的二維數組。

n_samples 表示什麼呢？

n_features 表示什麼呢？

請記住，每個樣本都必須有一個確定值的特徵數，並且特徵數 j 對每個樣本來說必須是相同的數值。

使用 Scikit-learn 載入鳶尾花數據集

為了接下來用機器學習演算法進行實驗，建議您將 http://archive.ics.uci.edu/ml/index.php 添加為書籤，這個庫容納了許多常用的數據集，這些數據集可用於機器學習演算法的基準測試 -- 對機器學習實踐者和研究人員來說是非常歡迎的資源。為了方便使用，這些數據集中的一部分已經包含在 scikit-learn 中，這樣我們就可以跳過下載，閱讀，解析和清理文本/CSV文件這幾個單調乏味的步驟。您可以在 scikit-learn 官網中找到可用的數據集列表：http://scikit-learn.org/stable/datasets/#toy-datasets 。

例如：scikit-learn 在鳶尾花種類上有一組非常簡單的數據集。數據集包含以下內容：

鳶尾花數據集中的特徵：

萼片長度（cm）

萼片寬度（cm）

花瓣長度（cm）

花瓣寬度（cm）

需要預測的目標分類：

山鳶尾花

變色鳶尾花

維吉尼亞鳶尾花

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！