【机器学习】（四）一些数据集：forge、wave、cancer、bosten

forge数据集

可以用于模拟二分类问题，数据集包含26个数据点和2个特征，两种输出。

import mglearn
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

# 生成数据集
X, y = mglearn.datasets.make_forge() # 输入，目标
X_train, x_test, y_train, y_test = train_test_split(X, y, random_state=0)

# 数据集绘图
mglearn.discrete_scatter(X[:, 0], X[:, 1], y) # 第一个特征为x轴，第二特征为y轴，不同的点是输出y
plt.legend(['Class 0', 'Class 1'], loc=4) # 给图像加图例（文字说明），loc参数指向图例位置
plt.xlabel('First feature')
plt.ylabel('Second feature')
print('X.shape:{}'.format(X.shape))

wave数据集

用来测试回归算法，数据集只有一个输入特征，一个连续的目标变量/响应。

x, y = mglearn.datasets.make_wave()

plt.plot(x, y, 'o') # 圆点表示
plt.ylim(-3, 3)
plt.xlabel('Feature')
plt.ylabel('Target')

cancer数据集

威斯康星州乳腺癌数据集，二分类问题，569个数据点，30个特征，两个目标（良性/恶性）

包含在scikit_learn中的数据集通常保存为Bunch对象。
Bunch对象类似字典，并且可以用点操作符来访问对象的值。bunch.ket = bunch['key']

from sklearn.datasets import load_breast_cancer
import numpy as np

cancer = load_breast_cancer() # Bunch对象
x_train, x_test, y_train, y_test = train_test_split(
    cancer.data, cancer.target, stratify=cancer.target, random_state=66)

print('Cancer Keys:\n{}'.format(cancer.keys()))
print('Target:\n{}'.format({n: v for n, v in 
                           zip(cancer.target_names, np.bincount(cancer.target))}))

np.bincount（）=函数衡量权重（出现了多少次）
zip()函数将可迭代对象封装成列表，列表的元素为元组。

np.bincount()用法介绍

boston数据集

波士顿房价数据集，回归问题，506个数据点，13个特征。
普通bosten

from sklearn.datasets import load_boston
boston = load_boston()
print(boston.data.shape)

含有交互项的bosten：13个特征两两组合成91个特征，共有104个特征

x, y = mglearn.datasets.load_extended_boston()
print(x.shape)